بررسي كارايي برخي روش‌هاي برآورد دبي اوج لحظه‌اي با استفاده از داده‌هاي دبي روزانه

بررسي كارايي برخي روش‌هاي برآورد دبي اوج لحظه‌اي با استفاده از داده‌هاي دبي روزانه

در اين تحقيق از روابط تجربي فولر، سنگال، و فيل-استينر و همچنين روش شبكه عصبي مصنوعي براي بررسي امكان برآورد دبي حداكثر لحظه‌اي با استفاده از آمار دبي حداكثر روزانه استفاده شده است. تعداد دوازده ايستگاه (در نيمه شمالي و غربي كشور) انتخاب و سپس روابط تجربي مورد استفاده در اين بررسي، براي هر يك از ايستگاه‌هاي مورد مطالعه، واسنجي و دبي حداكثر در تعدادي از سال‌ها با روابط جديد بدست آمده براي هر ايستگاه، محاسبه‌شد. به‌منظور مقايسه بهتر، سال‌هاي مربوط به اعتبارسنجي روش‌هاي تجربي و نيز مرحله آزمايشي (تست) روش شبكه عصبي مصنوعي در ايستگاه‌ها، مشابه در نظر گرفته شده است. نتايج نشان داد كه هر چند نتايج روش‌هاي تجربي پس از واسنجي به مقدار قابل توجه‌اي بهتر‌شدند، ولي روش شبكه عصبي مصنوعي نسبت به روش‌هاي تجربي در برآورد دبي حداكثر لحظه‌اي با استفاده از آمار دبي حداكثر روزانه، برتري دارد. بر اساس اين نتايج مي‌توان مشكل كوتاه بودن دوره آماري مربوط به داده‌هاي دبي حداكثر لحظه‌اي در ايستگاه‌ها را برطرف كرد، كه‌اين مسيله تاثير قابل توجهي در بهينه سازي طراحي‌ها و برآوردهاي مرتبط خواهد داشت.

This research was designed to evaluate applicability of some empirical methods including Fuller (1914), Sangal (1983) and Fill and Steiner (2003) approaches as well as the ANN (Artificial Neural Networks) technique to prolong instantaneous peak flow data series using daily measured flow data. To do this, after initial consideration, a number of 12 gauging stations located in arid and semi-arid regions of the north half of Iran were selected and the related data was collected. Then, the applied empirical methods were calibrated for the related stations, and the instantaneous peak flow was estimated for some specific years. To be able to have a reliable comparison, the same years were also used in testing phase of the ANN modeling. Comparing the results shows higher ability of ANN over the empirical methods for this specific application, although there was a considerable improvement of the results for empirical methods after calibration. Reliable results produced by ANN method, compared to the traditional methods, in this research showed superior abilities of new machine learning techniques to solve the problem of inadequate measured peak flow data periods and to optimize water related designs.