شبیهسازی رواناب با استفاده از شبکه عصبی- موجکی (مطالعه‌ی موردی: حوضهی آبخیز رود خِرسان3)
محورهای موضوعی : برگرفته از پایان نامه
1 - استادیار آب و هواشناسی، بخش جغرافیا، دانشگاه شهید باهنر کرمان، کرمان، ایران
کلید واژه: شبکهی عصبی- موجکی, شبکهی عصبیِ انتشار برگشتی, شبکهی عصبیِ بنیادی- شعاعی, رواناب,
چکیده مقاله :
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.
Estimates, forecasts and Runoff management have always been an interest to researchers. Therefore, using any of the methods commonly used in estimating seemingly destructive phenomenon that, unfortunately, due to the complexity of the relationship between rainfall and Runoff and non-linearity of the relationship, the results are not good. Todays, with the advancement of science and the development of new techniques in all aspects of science, understanding and settle in for a good hope to have created such relationship. One of approaches that have attracted attention of researchers in recent decades is using of Neural Networks. In this study, the Neural- Wavelet Network for Estimating Runoff in Khersan catchment area is used. The results obtained from this model with results from a Neural Network of Return Propagation and Neural Network of Fundamental-Radial, as older models, compared and analyzed. Comparison of results was performed by correlation coefficient and Root Mean Square Error. The results show that the accuracy of the Neural- Wavelet Network compared to Neural Network of Return Propagation and Neural Network of Fundamental-Radial is better.
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.