آیت باجلان - فوق لیسانس عمران-آب، گروه عمران دانشگاه شهید چمران اهواز
محمد محمودیان شوشتری - استاد گروه عمران دانشکده مهندسی دانشگاه شهید چمران اهواز
مسعود اولی پور - استادیار گروه عمران دانشکده مهندسی دانشگاه شهید چمران اهواز

تخمین دبی جریان در رودخانه، بدلیل تاثیر آن درذ مدیریت منابع آب، می تواند نقش اقتصادی مهمی داشته باشد. با روش های مختلفی می توان رواناب خروجی از حوضه را محاسبه نمود. هر یک از روشها محاسن و معایب مربوط به خود را دارد. یکی از روشهایی که اخیر توجه بسیاری از پژوهشگران را بهود جلب نموده است. استفاده از شبکه های عصبی مصنوعی ( ANN) می باشد.در این تحقیق با استفاده از شبکه های عصبی مصنوعی یک مدل هوشمند برای پیش بینی آورد ماهانه حاصل از بارش برای حوضه آبریز کسیلیان، با وسعت 67/5 کیلومتر مربع که معرف منطق وسیعی از قسمتهای کوهستانی البرز شمالی محسوب می شود ارائه می شود. در این مدل از یک شبکه چندلایه ای پیشخور پرسپترون ( MLP) با یک لایه پنهان از نرونهای سیگموئیدی tansig) و یک لایه خروجی از نرونهای خطی ( purelin) استفاده شده است.الگوریتم انتخابیبرای آموزش شبکه ها الگوریتم لونبرگ-مارکواتLM ) می باشد. برای آموزش و تست شبکه های عصبی از کلیه آمار مکوجود در طی سالهای 1350 تا 1373 استفاده شده است. ساختار بهینه و الگوی ورودی بهینه شبکه عصبی با سعی و خطا تعیین می گردد. تمام مراحل ایجاد شبکه، آموزش و تست آن با استفاده ار جعبه ابزار شبکه های عصبی نرم افزار MATLAB انجام انجام شده است. در نهایت نتایج حاصل از شبکه عصبی با نتایج حاصل از روش های جاستین ( Justian) و خوسلا ( Khosla) مقایسه گردید. میانگین مربعات خطا برای شبکه عصبی، روشهای خوسلا و جاستین به ترتیب 829/6،3149،576 بدست آمد که این مقایسه نشان دهند دقت قابل قبول شبکه عصبی مصنوعی در پیش بینی رواناب می باشد.

کسیلیان شبکه MLP ، جاستین ، خوسلا ، الگوریتم LM