شبیه سازی بارش – رواناب با شبکه عصبی (مطالعه موردی: دشت نسا بم)
محورهای موضوعی : انفورماتیک محیط های متخلخل
مهدی شاهرخی ساردو
1
(دانشگاه ازاد اسلامی واحد جیرفت)
مجتبی جعفری کرمانیپور
2
(دانشکده فنی مهندسی - دانشگاه شهید باهنر کرمان)
کلید واژه: شبیه سازی بارش- رواناب, شبکه عصبی مصنوعی, حوزه آبخیز دشت نسا بم,
چکیده مقاله :
پیشبینی رواناب به صورت کوتاه مدت به دلیل رابطه مستقیم آن با چگونگی تعامل مدیران با خطرات جانی ناشی از سیلابها، از اهمیت خاصی برخوردار است. در این تحقیق با استفاده از شبکه های عصبی مصنوعی، اقدام به شبیه سازی فرآیند بارش- رواناب به صورت روزانه، در حوزه آبخیز دشت نسا بم شده است. به منظور پیش بینی روند آتی بهره برداری از منابع آبی دشت مذکور، ترکیبات مختلفی از داده های بارش و دما و دبی و اختلاف دبی دو روز متوالی ، مورد استفاده قرار گرفت. تعداد نرونهای لایه مخفی در شبکه عصبی بین 2 تا 10 نرون متغیر بود. معیارهای آماری متوسط ریشه مربع خطا RMSE ،متوسط قدر مطلق خطا MAE و ضریب همبستگی Rبرای ارزیابی و مقایسه عملکرد شبکه های عصبی در پیشبینی رواناب، مورد استفاده قرار گرفت. نتایج نشان داد با داشتن 2 ورودی و شبکه عصبی feedforward و یا 1 ورودی و شبکه newrbe بهترین عملکرد حاصل شده و فرآیند بارش- رواناب با دقت بالاتری پیشبینی شده است.
Short-term runoff forecasting is of particular importance due to its direct relationship with how managers interact with life risks caused by floods. In this research, by using artificial neural networks, simulation of rainfall-runoff process has been done on a daily basis in the Nasa Bam watershed. In order to predict the future process of using the water resources of the mentioned plain, different combinations of rainfall and temperature data and discharge and discharge difference of two consecutive days were used. The number of hidden layer neurons in the neural network varied between 2 and 10 neurons. The statistical criteria of root mean square error RMSE, mean absolute value of error MAE and correlation coefficient R were used to evaluate and compare the performance of neural networks in runoff forecasting. The results showed that by having 2 inputs and feedforward neural network or 1 input and newrbe network, the best performance was achieved and the rainfall-runoff process was predicted with higher accuracy.
