بخشی از مقاله
.1 مقدمه
همه منابع آبی جهان با مسائلی از قبیل کمبود، آلودگی، تغییراقلیم و گرمایش جهانی مواجه هستندمخصوصاً در مناطق خشک و نیمهخشک که از خشکسالی شدید و سیالبهای شدید رنج میبرند. بررسی دقیق مجموعه عوامل مؤثر بر تخریب محیط زیست نشان میدهد که دخالت انسان در چرخه طبیعی آب از طریق تخریب پوشش گیاهی در عرصه-های آبخیز، تغییر کاربری اراضی، توسعه سطوح غیرقابل نفوذ و امثال آن احتمال سیلخیزی در مناطق گوناگون را افزایش داده است. سیل از جمله پدیدههایی است که خسارات فراوانی به منابع وارد میسازد و همواره مورد توجه کارشناسان هیدرولوژی بوده است.
لذا برآورد صحیح دبی سیالب برای اتخاذ تدابیر مناسب در راستای مهار و مدیریت بهینه و مؤثر آن و توسعه منابع آب به عنوان پیشنیاز از اهمیت خاصی برخوردار میباشد. همچنین برآورد دقیق دبی سیالب به عنوان اطالعات مورد نیاز و اثرگذار در طراحی سازههای کنترل سیالب و مهندسی رودخانه نقش تعیین-کنندهای از نظر کاهش خسارات اقتصادی و تأمین سالمت سازههای آبی دارد.
در سالهای اخیر روشهای هوش مصنوعی از جمله منطق فاری و شبکه عصبی در زمینههایی که در آنها ارتباط بین ورودی و خروجی غیرخطی بوده کاربرد گستردهای پیدا کردهاند. این روشها به عنوان یک جعبه سیاه مناسب که کمتر در قید و بند مسائل فیزیکی بوده و قادرند فرآیند غیرخطی و غیرایستای جریان رودخانه را بدون نیاز به مدلسازی عاملهای محیطی و ژئومتری مؤثر بر جریان رودخانه مدلسازی کنند.]1[
سلیمی کوچی و همکاران - 1388 - ، در پژوهشی تحت عنوان بررسی کارآیی برخی روشهای برآورد دبی اوج لحظهای با استفاده از 12 ایستگاه در نیمه شمالی و غربی کشور با مقایسه برخی روشهای تجربی و روش شبکه عصبی مصنوعی به این نتیجه رسیدند که روش شبکه عصبی مصنوعی نسبت به روشهای تجربی در برآورد دبی حداکثر لحظهای با استفاده از آمار دبی حداکثر روزانه برتری دارد.
]2[ خسروی و همکاران - 1389 - ، در مطالعهای تحت عنوان تعیین بهترین تابع فعالسازی الیه خروجی در شبکه عصبی برای پیشبینی دبی اوج در دو حوضه آبخیز گتهده و گلینک در طالقان به این نتیجه رسیدند که تابع خطی با داشتن کمترین RMSE برای الیه خروجی مناسب میباشد.]3[ محمد شعبانی - 1391 - ، ارزیابی دقت شبکههای عصبی مصنوعی در برآورد دبی حداکثر لحظهای در استان فارس را بررسی کرد.
هدف از انجام این پژوهش مقایسه کارآیی روش شبکه عصبی مصنوعی و روشهای تجربی برآورد دبی اوج لحظهای در تعدادی از حوضههای آبخیز استان فارس بود. نتایج نشان داد که برآوردهای شبکه عصبی در تمامی ایستگاهها در مقایسه با برآورد مدلهای تجربی از دقت باالتری برخوردار میباشد.]4[ نجفی و همکارن - 1394 - ، شبیه-سازی و تحلیل دبیهای حداکثر لحظهای با استفاده از شبکه عصبی مصنوعی را در ایستگاههای هیدرومتری تهران انجام دادند.
نتایج تحقیق نشان داد که در همه ایستگاههای مورد بررسی، استفاده از شبکه عصبی مصنوعی در شبیه-سازی دبیهای حداکثر لحظهای با استفاده از دادههای دبی حداکثر روزانه و ماهانه از کارایی باالیی برخوردار است.]5[ احسان کرابی و همکاران - 1394 - ، بررسی تأثیر خصوصیات هندسی رودخانهها بر دبی طراحی در رودخانههای مناظق خشک و نیمهخشک را انجام دادند.
در این تحقیق از دو متغیر جدید شامل خصوصیات مقطع - پر - -bankfull - geometry و شاخص سیالبی به عنوان متغیرهای مستقل تأثیرگذار بر روابط دبی طراحی در مناطق خشک و نیمه- خشک به همراه دادههای اندازهگیری شده هندسه مقاطع عرضی 41 ایستگاه هیدرومتری در استان خراسان رضوی استفاده شده است. نتایج تحقیق نشان داد که عرض مقطع پر دقت بیشتری از مساحت مقطع پر در تخمین دبی طراحی دارد و این نکته تأکید دارد که در رودخانههای مناطق خشک و نیمهخشک دبی مقطع پر نقش به سزایی در عرض رودخانه دارد.]6[
مهمت و همکاران - 2009 - 1، مدلهای شبکه عصبی مصنوعی و SWAT را برای پیشبینی جریان بکار بردند. مقایسه این دو مدل براساس دقت پیشبینیها انجام گرفت. نتایج این مطالعه نشان داد که شبکه عصبی مصنوعی ابزار قدرتمندی برای پیشبینی جریان میباشد.]7[ گومان و همکاران - 2011 - 2، به پیشبینی رواناب با شبکه عصبی مصنوعی و مدل مرسوم بارش-رواناب در حوضه رودخانه هب - Hub - در جنوب پاکستان پرداختند. نتایج مدلهای ANN با یک مدل مفهومی ریاضی مقایسه شدند و مشخص شد که مدل ANN یک جایگزین با اهمیت برای مدلهای مفهومی مانند مدل بارش- رواناب میباشد.]8[
آرکانا سرکار و راکش کومار - 2012 - 3 در تحقیقی به بررسی بکارگیری شبکه-های عصبی مصنوعی برای رخداد بر پایه مدلسازی بارش- رواناب در حوضه رودخانه آجای - Ajay - هند پرداختند. نتایج نشان دادند که مدلهای شبکه عصبی مصنوعی در ارائه یک بازنمایی از فرآیند یک رخداد بر پایه بارش- رواناب قادر میباشند.]9[ شوک ویل و همکاران - 2013 - 4، به برآورد جریانهای ماهانه رودخانه وایه - Weihe - در چین با استفاده از روش مدلسازی هیبریدی شبکه عصبی مصنوعی ویولت پرداختند.
مقایسه نتایج مدل هیبریدی WNN با مدل ANN نشان داد که مدل هیبریدی بطور معنیداری دارای دقت پیش بینی باالیی بود و همچنین کارایی بهتری را در آموزش و آزمایش دادهها نسبت به شبکه عصبی به نمایش گذاشت.]10[ رضائیانزاده و همکاران - 2013 - ، پیشبینی حجم دبی ماهانه با الگوریتمهای مختلف شبکه عصبی مصنوعی در مناطق نیمهخشک را بررسی کردند.
این تحقیق چهار الگوریتم شبکه عصبی مصنوعی شامل پسانتشار انعطافپذیر - - ANN_RP، گرادیان مزدوج مدرج شده - ANN_SCG - ، نرخ آموزش متغیر - ANN_GDX - و لومبرگ- مارکوارت - ANN_LM - را در پیشبینی حجم دبی ماهانه حوضه آبخیز ایدناک - - Idenak در استان کهکیلویه وبویراحمد مقایسه کرد. مقایسه الگوریتمها نشان داد که الگوریتم مزدوج مدرج شده - ANN_SCG - از دیگر موارد عملکرد بهتری در پیشبینی حجم دبی ماهانه داشت.]11[
ستاناند میشرا و همکاران - 2014 - 5، یک روش کارآمد و مؤثر شبکه عصبی مصنوعی در پیشبینی رواناب را بررسی نمودند. این تحقیق روشهای مختلف در دسترس از شبکههای عصبی مصنوعی شامل سه شبکه عصبی بر پایه پسانتشار، رگرسیون بر پایه شبکه عصبی و شبکه عصبی موجک بر پایه رویکردی را برای پیشبینی رواناب در رودخانه براماپوترا - Brahmaputra - در حوضه باراک - Barak - هند مقایسه میکند.
