بهار و تابستان 1402                   برگشت به فهرست مقالات | برگشت به فهرست نسخه ها

XML English Abstract Print


دانشگاه ملایر
چکیده:   (26 مشاهده)
چکیده مبسوط
مقدمه و هدف: در سال­های اخیر پیش‌بینی جریان در رودخانه یکی از مسائل مهم و مورد توجه برای مدیریت منابع آب در ایران است. این پیش‌بینی نیازمند آمار و اطلاعات است که متأسفانه اغلب حوضه‌های کشور فاقد داده‌های با کمیت و کیفیت مورد نظر می‌باشند. مدل‌سازی هیدرولوژیکی و استفاده از هوش مصنوعی از نمونه راهکارهایی است که برای برطرف کردن چالش عدم‌کفایت و عدم وجود داده­های باکیفیت مناسب در هیدرولوژی مورد استفاده قرار می‌گیرد. معیار انتخاب مدل مناسب برای این فرایند، ارزیابی عملکرد مدل‌ها با توجه به شرایط هیدرولوژیکی هر منطقه است.
مواد و روش‌ها: مدل­های که برای پیش‌بینی‌ جریان رودخانه مورد استفاده قرار می‌گیرند در حال حاضر به دو دسته مدل­های فیزیکی و مدل‌های داده محور تقسیم‌بندی می‌شوند. در این تحقیق از یک مدل فیزیکی IHACRES و شبکه عصبی مصنوعی به عنوان مدل داده محور برای پیش‌بینی جریان، در رودخانه بختیاری استفاده شد. از داده‌های سال‌های 1984 تا 1994 به‌عنوان داده‌های مرحله واسنجی و از داده‌های سال‌های 1995 تا 2006 برای صحت سنجی مدل هیدرولوژیکی استفاده شد. همچنین از شبکه Dence با تعداد نرون‌های 10، 20، 50 و 100 استفاده شد. معیار بهینه‌سازی Adam برای بهبود روند آموزشی در نظر گرفته شد و تابع خطای استفاده‌شده MSE است و تابع فعال‌ساز به علت پیوسته بودن داده‌ها sgmoid انتخاب شد.
یافته‌ها: نتایج ارزیابی مدل هیدرولوژیکی و شبکه عصبی مصنوعی با استفاده از شاخص‌های کلینگ-گوپتا، نش- ساتکلیف، ضریب تعیین، میانگین مربعات خطا و میانگین مطلق مورد بررسی قرار گرفت و نتایج نشان داد شبکه عصبی مصنوعی در کلیه معیارهای ارزیابی، نتایج بهتری در شبیه‌سازی جریان روزانه نسبت به مدل هیدرولوژیکی دارد. مقادیر معیارهای ارزیابی کلینگ-گوپتا، نش- ساتکلیف، ضریب تعیین، میانگین مربعات خطا، میانگین مطلق خطا در مرحله اعتبار سنجی به ترتیب برای مدل هیدرولوژیکی و شبکه عصبی مصنوعی 74/0، 75/0، 77/0، 25/1، 7/0 و 94/0، 89/0، 89/0، 57/0، 26/ محاسبه شد.
نتیجه‌گیری: بر اساس نتایج روش‌های مورد استفاده در تحقیق روش شبکه عصبی مصنوعی نسبت به مدل هیدرولوژیکی IHACRES پیش‌بینی دقیق‌تری از جریان روزانه رودخانه بختیاری دارد. توانایی قابل قبول شبکه عصبی در شبیه‌سازی جریان¬های اوج  علاوه بر شبیه‌سازی جریان روزانه از نتایج قابل‌توجه این تحقیق است.
 
     
نوع مطالعه: پژوهشي | موضوع مقاله: هيدرولوژی
دریافت: 1401/6/23 | ویرایش نهایی: 1401/12/24 | پذیرش: 1401/8/17

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2023 CC BY-NC 4.0 | Journal of Watershed Management Research

Designed & Developed by : Yektaweb