ارزیابی و مقایسه روش شبکه عصبی مصنوعی و نرم افزارHEC-HMS در شبیهسازی آبنمود بارش- رواناب در حوضه آبخیز معرف کسیلیان
الموضوعات :فرشید صف شکن 1 , نادر پیرمرادیان 2 , رضا افشین شریفان 3
1 - دانشگاه آزاد اسلامی، واحد داریون، باشگاه پژوهشگران جوان و نخبگان، داریون، ایران.
2 - استادیار گروه مهندسی آب، دانشکده کشاورزی دانشگاه گیلان، رشت
3 - گروه سازه های آبی، واحد شیراز،دانشگاه آزاد اسلامی،شیراز، ایران
الکلمات المفتاحية: شبکهی عصبی مصنوعی, آبنمود بارش- رواناب, مدل HEC-HMS,
ملخص المقالة :
فرایند بارش- رواناب یک پدیدهی کاملا" پیچیده و غیرخطی در آبشناسی و منابع آب میباشد. در سالهای اخیر، شبکههای عصبی مصنوعی کاربرد گستردهای را در شبیهسازی روابط غیرخطی و پیچیده مانند رابطهی بارش-رواناب پیدا کرده است. دراین تحقیق، به منظور شبیهسازی آبنمود بارش-رواناب در حوضهی آبخیز معرف کسیلیان از روش شبکهی عصبی مصنوعی (با ساختار7-10-9) و نرمافزار HEC-HMS استفاده گردید. به منظور آموزش بهتر نرم افزار شبکهی عصبی مصنوعی دادههای بارندگی بر اساس الگوی زمانی، مطابق با توزیع بارندگی هاف، به چهار گروه تقسیم شدند. بهطورکلی نتایج این تحقیق نشان دادند که محدودهی قدرمطلق درصد خطای نسبی فراسنجهای QP، TP، Tb، 75w،50w، 50T و 75T شبیهسازی شده به وسیلهی شبکه عصبی به ترتیب 97/51-02/0، 23/41- 55/0، 07/54- 26/0، 62/202- 23/0، 88/69- 52/0، 07/82- 21/2 و 76/57- 42/2 میباشند، در حالیکه با شبیهسازی به وسیلهی نرمافزار HEC-HMS این حدود به ترتیب 53/756- 58/0، 250-0، 18/141-0، 575-84/2، 86/167-93/0، 350-33/3 و 67/266-2 محاسبه شدهاند. با توجه به درصد خطای نسبی مربوط به فراسنجهای خروجی هر واقعه میتوان نتیجه گرفت که شبکهی عصبی در اکثر موارد تمامی فراسنجها و شکل کلی آبنمود را بهخوبی و با خطای ناچیزی نسبت به نرم افزار HEC-HMS شبیهسازی نموده است، البته در بعضی موارد، نرم افزار HEC- HMS توانسته است که شبیهسازی بده اوج آبنمود، زمان پایه و شکل کلی آن را به خوبی، یا به ندرت دقیقتر از شبکهی عصبی انجام دهد.
1) جهانگیر، ع.، رائینی، م.، احمدی، م. ض. و اکبرپور، ا. 1384. شبیهسازی فرایند بارش- رواناب با استفاده از شبکهی عصبی مصنوعی در حوضه کارده. مجموعه مقالات پنجمین کنفرانس هیدرولیک ایران. دانشکده مهندسی دانشگاه شهید با هنر کرمان.
2) گزارش های آماری حوضه آبخیز معرف کسیلیان از سال آبی 61-1360 الی 78- 1377. مرکز تحقیقات منابع آب ایران(تماب).
3) منهاج م. ب. 1386. مبانی شبکه های عصبی. جلد اول(هوش محاسباتی)، مرکز نشر دانشگاه صنعتی امیر کبیر. 715ص.
4) Antar, M.A., Elassiouti, I., and Allam, M.N. 2006. Rainfall-runoff modelling using artificial neural networks technique: a Blue Nile catchment case study. Hydrol. Process. 20: 1201-1216.
5) Aytek, A., and Alp, M. 2008. An Application of artificial intelligence for rainfall–runoff modeling. J. Earth Syst, Sci. 117: 145–155.
6) Department of Civil Engineering National Institute of Technology, Rourkela.p:40.
7) Firat, M., and Gungor, M. 2007. River flow estimation using feed forward and radial basis neural networks approaches. International Congress on River Basin Management. 599-611.
8) Harun, S., Ahmat, N.I., and Kassim, A.H.M. 2002. Artificial neural network model for rainfall-runoff relationship. Journal Technology. 37(B) Dis: 1-12.
9) Huff, F.A. 1967. Time distribution of rainfall in heavy storms. Water Resources Research. 3(4): 1007-1101.
10) Jain, A.K., Mao, J., and Mohiuddin, k. m. 1996. Artificial neural networks: a tutorial. Computer, IEEE P. 31-44.
11) Jy, W.M., Han, j., Annambhotla, S. and Bryant, S. 2005. Artificial neural networks for forecasting watershed runoff and stream flows. Journal of Hydrologic Engineering. ASCE. 10(3): 216-223.
12) Kim, M.S., Shim, S.B., and Yeon, G.B. 2000. The rainfall –runoff models for real time flood forecasting in Geum river watershed.
13) Kumar, P., and Singh, A. 2010. Rainfall- runoff modeling of River Kosi using SCS-CN method and ANN. a thesis submitted in partial fulfillment of the requirements for the degree of bachelor of technology
14) Lorria, M., and Sechi, G.M. 1995. Neural networks for modeling rainfall runoff transformations. Water Resource Management. 9: 299-313.
15) Pan, T.Y., and Wang, R.Y. 2005. Using recurrent neural networks to reconstruct rainfall-runoff processes. Hydrological Process. 19(18): 3603-3619.
16) Shoo, G.B., and Ray, C. 2006. Flow forecasting for a Hawaii steram using rating curves and neural networks. Journal of Hydrology. 317: 63-80.
17) Simonovic, S.P., and Ahmad, S. 2005. An artificial neural network model for generating hydrograph from hydro-meteorological parameters. Journal of Hydrology. 315: 236-251.
18) Singh, V.P., and Woolhiser, D.A. 2002. Mathematical modelling of watershed hydrology. Journal of Hydrology. 7(4): 270-292.
19) Sohail, A., Watanabe, K., and Takeuchi, S. 2008. Runoff analysis for a small watershed of Tono area Japan by back propagation artificial neural network with seasonal data.Water Resour Management. 22(1): 1-22.
20) Tayfur, G., and Moramarco, T. 2007. Forecasting flood hydrographs at Tiber River Basin in Italy by Artificial Neural Network. International Congress on River Basin Management, Antalya, Turkey, H: 485-497.
21) Tokar, A.S. and Markus, M. 2000. Precipitation-Runoff Modelling Using Artificia L Neural Networks and Conceptual Models. Journal of Hydrology Engineering. 2: 156-161.
22) Tokar, A.S., and Johnson, P.A. 1999. Rainfall-runoff modelling using artificial neural networks. Journal of Hydrology Engineering, 3: 232-239.
_||_