استفاده از شبکه عصبی مصنوعی در تعیین دبی سریز سد مارون

محورهای موضوعی : علوم آب

ابراهیم نوحانی ¹ (استادیار گروه عمران- سازههای هیدرولیکی، دانشگاه آزاد اسلامی، واحد دزفول، باشگاه پژوهشگران جوان و نخبگان، دزفول، ایران،)
ولی الله پرتویی ضیا ² (دانش آموختۀ کارشناسی ارشد گروه عمران - سازه‌های هیدرولیکی، دانشگاه آزاد اسلامی، واحد دزفول،دزفول، ایران.)

تاریخ دریافت : 1396/10/25 تاریخ پذیرش : 1397/03/08 تاریخ انتشار : 1397/03/01

کلید واژه: سد مخزنی, دبی, مدل شبکه عصبی مصنوعی, مدل رگرسیونی خطی, سرریز,

چکیده مقاله :

برای اندازه‌گیری دقیق‌تر جریان آب، همواره سعی شده است تا حد امکان سازه‌های با نقص کمتر و دقت بالاتر طراحی شود. سرریز و دریچه ازجمله سازههایی هستند که همواره برای اندازهگیری میزان جریان آب، به‌صورت گسترده مورد استفاده قرار می‌گیرند امروزهصبی مصنوعی بر مبنای استفاده از دانش نهفته بین متغیرهای ورودی و خروجی یک مسئله، بدون دسطح آزاد آب و درصد آب‌گذری و پارامتر خروجی دبی سریز سد مخزنی می‌باشد. مدل‌های مورد استفاده در شبکههای عصبی مصنوعی شامل شبکههای پیشخور (FF)، شبکه المان جردن (JEN)، با مقایسه‌ی نتایج حاصل از مدل‌های شبکه‌های عصبی مصنوعی تکاملی با مقادیر آزمون اندازه‌گیری شده مشخص گردید که مدل MLP نسبت به سایر مدل‌ها از دقت و توانایی بیشتری در تعیین دبی سد مخزنی مارون، برخوردار است. همچنین ضریب رگرسیونی(R2) این مدل در سه مرحله آموزش، اعتباریابی و آزمون برابر 942/0، 9479/0 و 9468/0 و شیب خط راست برابر 9413/0، 9287/0 و 9564/0 می‌باشد که بیانگر انعطاف‌پذیری و دقت بالای مدل است.

چکیده انگلیسی:

For more accurate measurement of the water flow, it has been always attempted to design structures with least errors and highest accuracy. Nowadays, the use of artificial neural networks (ANN) models has been rapidly grew mainly due to the fact that these models are not confined to the physical parameters. Artificial neural networks are based on use of embedded knowledge between input and output variables of a problem, regardless of physical aspects and these networks are able to extract inherent relation of the input and output and they can generalize the obtained relation to other situations and cases. In the present research, the information related to the overflow of Marun Storage Dam was adopted. The input parameters of ANN model are as follows: day, month, water surface elevation, water sharing percent and output parameters overflow discharge of storage dam. The models employed in artificial neural networks include FF, JEN, MLP and RBF. Moreover, the genetic algorithm (GA