fa شبیه‌سازی بارش- رواناب با استفاده از ماشین آموزش نوین در حوضه رودخانه شهرچای هيدرولوژی هيدرولوژی پژوهشي Research <div style="text-align: justify;"><span style="font-size:11px;"><strong>در این مطالعه، داده &shy;های سری زمانی بارش و رواناب حوضه رودخانه شهرچای از سال 2000 تا 2017 با استفاده از یک مدل هوش مصنوعی نوین ترکیبی </strong><strong>شبیه&shy; سازی شد. برای توسعه مدل هوش مصنوعی مذکور سه الگوریتم ماشین آموزش نیرومند </strong><strong><span dir="LTR"><span style="font-family:Times New Roman,serif;">(ELM)</span></span></strong><strong>، تکامل تفاضلی </strong><strong><span dir="LTR"><span style="font-family:Times New Roman,serif;">&nbsp;(DE)</span></span></strong><strong>و تبدیل موجک </strong><strong><span dir="LTR"><span style="font-family:Times New Roman,serif;">(WT)</span></span></strong><strong> با هم ترکیب شدند و مدل&shy;های ترکیبی </strong><strong><span dir="LTR"><span style="font-family:Times New Roman,serif;">SAELM</span></span></strong><strong> و </strong><strong><span dir="LTR"><span style="font-family:Times New Roman,serif;">WSAELM</span></span></strong><strong> ارائه شد. در ابتدا، موثرترین تاخیرهای داده &shy;های سری زمانی با استفاده از تابع خود همبستگی شناسایی شدند. سپس با استفاده از این تاخیرها، برای هر یک از مدل&shy;های </strong><strong><span dir="LTR"><span style="font-family:Times New Roman,serif;">SAELM</span></span></strong><strong> و </strong><strong><span dir="LTR"><span style="font-family:Times New Roman,serif;">WSAELM</span></span></strong><strong> هفت مدل هوش مصنوعی تعریف گردید. علاوه بر این 70 درصد مقادیر مشاهداتی برای آموزش مدل&shy;های هوش مصنوعی و 30 درصد باقیمانده نیز برای ارزیابی آن&shy;ها استفاده شدند. برای مدل </strong><strong><span dir="LTR"><span style="font-family:Times New Roman,serif;">WSAELM 7</span></span></strong><strong> به &shy;عنوان مدل برتر، مقادیر </strong><strong><span dir="LTR"><span style="font-family:Times New Roman,serif;">R²</span></span></strong><strong>، شاخص پراکندگی </strong><strong><span dir="LTR"><span style="font-family:Times New Roman,serif;">&nbsp;(<em>SI</em>)</span></span></strong><strong> و ضریب نش</strong><strong><span dir="LTR"><span style="font-family:Times New Roman,serif;">(NSC)</span></span></strong><strong> برای شبیه &shy;سازی بارش به&shy; ترتیب مساوی با 0/967، 0/208 و 0/965 بدست آمدند. همچنین تحلیل حساسیت نشان داد که تاخیرهای </strong><strong><span dir="LTR"><span style="font-family:Times New Roman,serif;">(t-1)</span></span></strong><strong>، </strong><strong><span dir="LTR"><span style="font-family:Times New Roman,serif;">(t-2)</span></span></strong><strong> و </strong><strong><span dir="LTR"><span style="font-family:Times New Roman,serif;">(t-12)</span></span></strong><strong> به&shy;عنوان موثرترین تاخیرهای ورودی در نظر گرفته شدند. در انتها برای مدل&shy;های برتر یک تحلیل عدم قطعیت انجام شد.</strong></span></div> <div style="text-align: justify;">In this paper, the precipitation and runoff time-series data of the Shaharchay River basin from 2000 to 2017 were simulated by using a novel hybrid artificial intelligence (AI) technique. In order to develop this AI model, the extreme learning machine (ELM), differential evolution (DE) and wavelet transform (WT) are combined and then the SAELM and WASAELM hybrid models are provided. Initially, the most effective lags of the time-series data are distinguished using the autocorrelation function. After that, using these lags, seven artificial intelligence models are defined for each of the SAELM and the WSAELM models. Additionally, 70% of the observational data are employed for training the artificial intelligence models and the rest (30%) for testing them. For WSAELM7 as the best model, the values of R², the scatter index (SI), and the Nash-Sutcliff efficiency coefficient (NSC) for simulating precipitation are yielded 0.967, 0.208 and 0.965, respectively. Furthermore, a sensitivity analysis exhibits that the lags (t-1), (t-2) and (t-12) are regarded as the most effective input lags. Ultimately, an uncertainty analysis is carried out for the superior models.<br> &nbsp;</div> بارش, تبدیل موجک, تکامل تفاضلی, رواناب, رودخانه شهرچای, دریاچه ارومیه, ماشین آموزش نیرومند Differential evolution, Extreme learning machine, Lake Urmia, Rainfall, Runoff, Shaharchay River, Wavelet transform 224 237 http://jwmr.sanru.ac.ir/browse.php?a_code=A-10-1680-1&slc_lang=fa&sid=1 amir alizadeh امیر علیزاده amir.alizadeh@gmail.com 100319475328460010693 100319475328460010693 No Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران ahmad rajabi احمد رجبی ahmad.rajabi1974@gmail.com 100319475328460010694 100319475328460010694 Yes Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران saeid shabanlou سعید شعبانلو saeid.shabanlou@gmail.com 100319475328460010695 100319475328460010695 No Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران behrouz yaghoubi بهروز یعقوبی yaghobi@gmail.com 100319475328460010696 100319475328460010696 No Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران fariborz yosefvand فریبرز یوسفوند fariborzyosefvand@gmail.com 100319475328460010697 100319475328460010697 No Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران