ارزیابی تاثیر سیگنال های مختلف ورودی بر میزان کارایی مدل های شبکه عصبی مصنوعی در شبیه سازی هوشمند هیدروگراف سیل

تخمین مشخصات هیدروگراف سیل در رودخانه ها یکی از مسائل مورد علاقه پژوهشگران علوم آب و هیدرولوژی می باشد. در این پژوهش توانایی مدل های شبکه عصبی مصنوعی جهت شبیه­سازی هیدروگراف سیل ورودی به سد مخزنی شیرین دره در استان خراسان مورد بررسی قرار گرفته است. بدین منظور تمامی هیدروگراف های سیل ثبت شده در ایستگاه هیدرومتری موجود در بالادست مخزن سد گردآوری و مقادیر دبی سیل با استفاده از روابطه مربوطه استاندارد شد. در ادامه چهار الگوی ورودی بر مبنای استفاده از دبی سیل در ساعات گذشته (یعنی ۲، ۳، ۴ و ۵ ساعت قبل) طراحی شدند. به منظور بررسی اثر تعداد پارامترهای ورودی بر دقت تخمین، در هر الگو نیز چهار سیگنال بر اساس تاخیر دبی سیل طراحی و مورد ارزیابی قرار گرفتند. به منظور ارزیابی تاثیر افزایش آموزش مدل در بهبود عملکرد آن، معیارهای آماری متعددی همچون خطای حجم سیل، خطای دبی اوج، خطای زمان تا اوج و معیار ناش- ساتکلیف در هر سیگنال ورودی محاسبه و مورد ارزیابی قرار گرفتند. نتایج نشان می دهد که با افزایش زمان تاخیر دقت شبیه­سازی کمتر می­شود. همچنین به ازاء یک زمان تاخیر معین، با افزایش تعداد ورودی ها (دبی در ساعتهای قبل)، نیز دقت نتایج افزایش می­یابد. به طوریکه با افزایش تعداد ورودی ها در الگوی اول، میزان ضریب ناش- ساتکلیف از مقدار ۷۹/۰ به ۹۱/۰ برای سیگنال چهارم افزایش یافت.

کلیدواژه ها:

Flood Hydrograph ، Artificial Neural Network ، Shirindarreh Reservoir Dam Basin ، Learning Algorithms and Transfer Function. ، هیدروگراف سیل ، شبکه عصبی مصنوعی ، حوزه آبخیز سد شیرین دره ، الگوریتم یادگیری و تابع انتقال.