شبیه‌سازی رواناب با استفاده از شبکه عصبی- موجکی (مطالعه‌ی موردی: حوضه‌‌ی آبخیز رود خِرسان3)

الموضوعات :

صادق کریمی ¹

1 - استادیار آب و هواشناسی، بخش جغرافیا، دانشگاه شهید باهنر کرمان، کرمان، ایران

تاريخ الإرسال : 24 الأحد , شوال, 1436 تاريخ التأكيد : 24 الأحد , شوال, 1436 تاريخ الإصدار : 02 الثلاثاء , رجب, 1436

الکلمات المفتاحية: شبکه‌ی عصبی- موجکی, شبکه‌ی عصبیِ انتشار برگشتی, شبکه‌ی عصبیِ بنیادی- شعاعی, رواناب,

ملخص المقالة :

برآورد، پیش­بینی و مدیریت رواناب همواره مورد توجه پژوهشگران بوده است؛ لذا با به کارگیری روشهای متداول و مرسوم هر دوره، اقدام به برآورد این پدیده به ظاهر زیانبار نموده اند که متأسفانه به دلیل پیچیدگی رابطه­ی بین بارش و رواناب، و غیر خطی بودن این رابطه، نتایج خیلی دقیقی را به دست نمی­دادند. امروزه، پیشرفت علم و توسعه­ی روشهای نوین در همه­ی ابعاد علمی، امیدواری خوبی را در زمینه­ی شناخت و حل چنین روابطی به وجود آورده است. یکی از روشهایی که در چند دهه­ی اخیر توجه محققین را به خود جلب کرده، استفاده از شبکه­های عصبی است. در این پژوهش از شبیه عصبی- موجکی برای براورد رواناب در حوضه­ی آبخیز رود خِرسان3، استفاده شده است. سپس نتایج به دست آمده از این شبیه با نتایج شبکه­ی عصبیِ انتشار برگشتی و شبکه­ی عصبیِ بنیادی- شعاعی به عنوان شبیه­های قدیمیتر مقایسه، و تجزیه و تحلیل گردید. بررسی دقت و مقایسه نتایج محاسبات باکاربرد ضریب همبستگی و ریشه­ی میانگین مربعات خطا صورت گرفت. نتایج این تحقیق نشان می­دهند که دقت شبکه­ی عصبی- موجکی از شبکه­ی عصبی انتشار برگشتی، و شبکه­ی عصبی بنیادی- شعاعی در وضعیت بهتری قرار دارد.

المصادر:

1-  اکبرپور، م، 1382. شبیه­سازی فرایند بارندگی- رواناب با استفاده از شبکه­های عصبی مصنوعی (شبیه HEC-HMS). پایان­نامه کارشناسی ارشد. دانشگاه شهید باهنر کرمان.

2-  حیدری، ع. و ع، سلاجقه. 1382، تحلیل  تقریبی سازه­هادر برابر زلزله با استفاده از انگاره  موجک. ششمین کنفرانس بین­المللی مهندسی عمران. دانشگاه صنعتی اصفهان.

3-   سازمان هواشناسی کشور، 1389.

4-   شاهی­نژاد، ب. 1381. شبیه ­بندی منطقه­ای رواناب حوضه آبخیز دز. پایان­نامه کارشناسی ارشد تأسیسات آبی. گروه مهندسی آب. دانشگاه ارومیه.

5-  عسگری، ع. ا. 1384. تجزیه و تحلیل سامانه لیداری بر مبنای لیزر TEA-CO2 با استفاده از روش دی کانولوشن. پایان­نامه­ی کارشناسی ارشد فیزیک. دانشگاه شهید باهنر کرمان.

6-  لوایی، ع. 1381. طرح بهینه­سازی سازه­های فضاکار با استفاده از الگوریتم وراثتی و شبکه­های عصبی مصنوعی. پایان­نامه کارشناسی ارشد. دانشگاه شهید باهنر کرمان.

7-   منهاج، م. ب. 1379. مبانی شبکه­های عصبی مصنوعی. مرکز نشر دانشگاه صنعتی امیرکبیر.

8-   نجمایی، م. 1369. آبشناسی مهندسی. انتشارات دانشگاه علم و صنعت ایران. تهران.

9-  نوری­بالو، م. 1385. شبیه­سازی فرایند بارندگی- رواناب رودخانه­های هلیل­رود و غازان­چای. پایان­نامه کارشناسی ارشد سازه­های آبی. دانشگاه شهید باهنر کرمان.

10-         Heb, D. O. 1949. The organization of behavior. Wiley N.Y.

11-         Hopfield, J. 1943. Neurons with graded response have collective computational properties. Proc of Nati acad of scis. 5.

12-         Hsu, K, H, Gupta and S, Sorooshian. 1995. Artificial neural network modeling of the Rain-fall Runoff process. Water Resou res, 31: 2517-2530.

13-         Imrie, C. E., S. Durucan and A.  Kore. 2000. River flow prediction using artificial neural network: Generalization beyond the calibration range. Hydrol. 233: 138-153.

14-         Kohonen, T. 1972. Correlation matrix memories. IEEE Tran on comp. 21.

15-         Lauzon, N. J, Roissel. S, Birkundavyi. and H, Trung. 2000. Real Timed Daily flow forecasting using black-box model diffusion Processes and ANN, Civil Eng. 27: 671-682.

16-         Mcculoch, W. and W, Pitts. 1943. A logical calculus of the ideas imminent in nervous activity. bull mathe Biophy. 5.

17-         Rosenblatt, F. 1958. The perseptron: A probabilistic model for information storage and organization in the brain. Psychological Review. 65.

18-         Sajikumar, N. and BS, Thandaverwara. 1999. A Non linear- runoff model using an ANN. Hydrol. 216:32-55.

19-         Windrow, B. and ME, Hoff. 1960. Adaptive switching circuits. IRE part A WENCON report, New York.