وحید نورانی - استادیار دانشکده مهندسی عمران گروه عمران- آب دانشگاه تبریز
محمدتقی اعلمی - استادیار دانشکده مهندسی عمران گروه عمران-آب دانشگاه تبریز
حجت حسین زاده - دانشجوی کارشناسی ارشد سازه های هیدرولیکی گروه عمران- آب دانشگاه تبریز
حمید نظم ارا - دانشجوی کارشناسی ارشد سازه های هیدرولیکی گروه عمران- آب دانشگاه تبریز

لزوم پیش بینی شده رودخانه در کارهای عمرانی، برنامه ریزی برای استفاده بهینه از مخازن سدها، سامان دهی رودخانه و هشدار سیل، کاملا احساس می شود. در این راستا مساله بارش- رواناب بیشترین توجه مدلسازی های شبکه های عصبی ANNs(Artificial Neural Networks) را به خود معطوف کرده است. در این تحقیق از شبکه های عصبی چند لایه MLP(Multi layer perceptron) برای پیش بینی بارش- رواناب حوزه آبریز برفگیر لیقوان چای واقع در استان آدربایجان شرقی استفاده شده است. اطلاعات این حوزه شامل داده های بارش، دما و رواناب روزانه می باشد. در مراحل مختلف تحقیق اثرات هر یک از این عوامل ( درقالب ترکیبات مختلف) در کارایی شبکه، مورد بررسی قرار گرفته است. همراهی سه عامل بارش در روز جاری و روزهای قبل، دما در روز جاری و روزهای قبل و رواناب در روزهای قبل در ماتریس ورودی بهترین نتایج را برای شبکه عصبی در پی داشته است. از آنجایی که حوزه آبریز لیقوان یک حوزه برفگیر می باشد، اثر دما در این حوزه و تبدیل برف به رواناب حائز اهمیت بوده و در ادامه مورد بررسی قرار گرفته و نرونی شرطی آشتانه دمایی تعریف شده است. مقادیر این نرون بصورت باینری بوده و اعداد صفر و یک را به خود می گیرد. معیار این تفکیک مقدار آستانه دمایی ذوب برف می باشد که برای حوزه لیقوان محاسبه شده است. در پایان نتایج مدل شبکه های عصبی با مدل هیدروگراف ذوب برف بی بعد DSH(Dimensionless Snowmelt Hydrograph) مورد مقایسه قرار داده شد. نتایج نشان دهنده کارایی بهتر شبکه عصبی نسبت به مدل ذوب برف DSH می باشد.

شبکه های عصبی مصنوعی ، مدلسازی بارش- رواناب ، نرون شرطی آستانه دمایی ، الگوریتم پس انتشار خطا