بخشی از مقاله
چکیده
در این پژوهش از شبکههای عصبی مصنوعی - - Artificial Neural Networks به عنوان ابزاری توانمند در مدلسازی فرایندهای غیرخطی و نامعین به منظور پیش بینی دبی سیلاب در ایستگاههای سینوپتیک،کلیماتولوژی و هیدرومتری اطراف حوضه آبخیز شهری جغتای که حداقل 27 سال آمار روزانه داشتند استفاده شد. دادههای مساحت، محیط، ارتفاع متوسط، شیب متوسط حوضه، طول ابراهه اصلی، طول حوضه، تراکم زهکشی، زمان تمرکز، ضریب گراویلیوس و متوسط بارندگی سالیانه و 24 ساعته بعنوان ورودی مدل استفاده شد.
در این مطالعه %70 دادهها برای آموزش مدلها - - training و %30 باقی مانده برای آزمایش آنها - - testing بکار رفته است. سپس مقدار برآورد شده با روش رگرسیون چند متغیره مقایسه گردید. نتایج حاصل از این تحقیق نشان داد که مدل شبکه عصبی با ضریب همبستگی - r2=0.98 - در سطح معنی داری 5 درصد و مجذور میانگین مربعات خطا 0/02 - RMSE - در مرحله آموزش و 0/05در مرحله آزمایش از دقت بالایی نسبت به روش رگرسیونی برخوردار بوده و در نتیجه در مدلسازی سیلاب روش شبکه عصبی مصنوعی بر روش رگرسیون چندمتغیره ارجحیت دارد و پارامترهای مساحت، زمان تمرکز، طول آبراهه اصلی و ضریب گراویلیوس به ترتیب بیشترین نقش را در پیش بینی دبی سیلاب حوضه آبخیز شهری جغتای داشته اند و میتوان با دقت بالای 95 درصد دبی سیلاب این حوضه را پیش بینی نمود.
الف-مقدمه
هر جریان سطحی آب صرف نظر از عامل ایجاد کنندهی آن در صورتی سیلاب تلقی میشود که جریان آب در مقطع رودخانه بیش از جریان عادی باشد تداوم زمانی آن محدود بوده جریان آب از بستر طبیعی تجاوز کند اراضی پست و حاشیه رود را فرا گیرد و خسارات جانی و مالی به همراه داشته باشد - محمدپور و سبزواری. - 1386 لذا پژوهش در خصوص ویژگیهای این پدیده طبیعی از اهمیت وافری برخوردار است.
از پارامترهای مهم در معرفی سیلابها حداکثر دبی با دوره برگشتهای مختلف میباشدکه همیشه در طراحی سازههای آبی تخمین مناسبی از ان مورد نیاز بوده و از نظر اقتصادی نقش تعیین کننده ای در محاسبه حجم عملیات سازهای ایفا می کند. - شفیعی و همکاران. - 1385 تحلیل منطقهای سیلاب با استفاده از مدل شبکه عصبی مصنوعی و تعیین روابط رگرسیون بین دبی جریان سیلابی و ویژگیهای فیزیوگرافی و اقلیمی حوضه در هر منطقه، از روشهای آسان و قابل اعتماد در برآورد دبی جریانهای سیلابی است.
در تحقیقی که توسط داوسون و همکاران - - 2006 در یکی از حوضه آبریز کشور ایرلند انجام گرفته، با استفاده از شبکه عصبی مصنوعی و خصوصیات ژئومورفولوژیکی زیرحوضهها اقدام به برآورد دبی سیلاب برای دورههای بازگشت 10و20 و 30 ساله و همچنین سیلاب شاخص گردید. نتایج مدل شبکه عصبی با روشهای تجربی برآورد سیلاب مقایسه شد. نتایج این تحقیق نشان داد که مدل شبکه عصبی بر مدلهای رگرسیون چند متغیره ارجحیت داشته و فاکتورهای ژئومورفولوژیکی اثر قابل توجهی در نتایج مدل دارند.
خوشحال دستجردی و حسینی - 1389 - از شبکه عصبی مصنوعی در شبیه سازی عناصر اقلیمی و پیش بینی سیکل خشکسالی استان اصفهان استفاده نمودند. سلیمی کوچی و قوهستانی - - 1390 کاربرد تکنیک شبکه عصبی مصنوعی در براورد دبی پیک سیلابی را بیان نمودند. حسنی و همکاران - - 1390 مدل شبکه عصبی مصنوعی، رگرسیون چند متغیره و IHACRES برای شبیه سازی جریان ورودی به مخزن سد شاهچراغی در شرایط تغییر اقلیم را مقایسه کردند.شادمانی - 1390 - دبی سیلابی در استان همدان با استفاده از شبکه عصبی مصنوعی را مدلسازی منطقه ای نمودند.
نگارش و همکاران - 1391 - شبیه سازی و پیش بینی سیلاب در حوضه آبریز سرباز استان سیستان و بلوچستان را به کمک شبکه عصبی مصنوعی انجام دادند.
پناهی و علیجانی - 1392 - دبی اوج سیلابی با استفاده از مدل شبکه عصبی مصنوعی و رگرسیون چند متغیره حوضه ابریز مادرسو استان گلستان را پیش بینی نمودند.
رهنما - - 2003 پیشبینی سیلاب حوضه آبریز قرهآغاج را با استفاده از شبکه عصبی مصنوعی مورد بررسی قرار داد. معماری شبکه عصبی با یک، دو و سه لایه پنهان با ترکیب های مختلف از عناصر پردازش در هر لایه آزمون شده و بهترین ساختار شبکه برای پیشبینی دبی با گام زمانی یک ساعته، مدلی با چهار عنصر پردازش در یک لایه پنهان بود.
رضایی و همکاران - 2007 - با استفاده از خصوصیات فیزیوگرافی حوضه های آبریز سفیدرود و بارندگیهای یک و پنج روزه ماقبل سیل نظیر، اقدام به مدل سازی منطقه ای دبی اوج نمودند
