ارزيابي كارايي مدل هاي شبكه عصبي مصنوعي در تخمين هوشمند هيدروگراف سيل در رودخانه جعفرآباد گرگان

Assessing the efficiency of artificial neural network for intelligent estimation of flood hydrograph of Jafar Abad River in Gorgan

در دهه اخير شبكه هاي عصبي مصنوعي به شكل ابزار قدرتمندي در حل بسياري از مسايل فني و مهندسي از جمله ، مهندسي آب مطرح شده اند. در اين پژوهش تو انايي مدل هاي شبكه عصبي مصنوعي جهت شبيه سازي هيدروگراف سيل در حوضه رودخانه جعفرآباد مورد بررسي قرار گرف ته است . هدف اصلي اين پژوهش ارزيابي كاربرد مد ل شبكه عصبي مصنوعي پرسپترون چند لايه جهت تخمين 4 و 5 ،3 ، هوشمند هيدروگراف سيل در پايين دست ايستگاه هيدرومتري با استفاده از دبي سيل در 2 ساعت قبل به عنوان ورودي مدل مي باشد. به اين منظور تعداد 18 هيدروگراف س يل ثبت شده در محل ايستگاه انتخاب شد . از اين تعداد 12 هيدروگراف سيل براي آموزش شبكه عصبي ، 4 هيدروگراف براي صحت سنجي مدل و 2 هيدر وگراف براي آزمون مدل شبكه عصبي انتخاب، و سپس شبكه به ازاي الگوهاي مختلف طراحي شده، آموزش داده شد و بر اساس معيارهاي آماري بهترين الگو انتخاب گرديد. نتايج نشان مي دهد كه با افزايش زمان تاخير دقت شبيه سازي كم تر مي شود . همچنين به ازاي يك زمان تاخير معين، با ا فزايش تعداد ورودي ها (دبي در ساعت هاي قبل )، نيز دقت نتايج افزايش مي يابد. همچنين بررسي شكل هيدروگراف هاي شبيه سازي شده بيانگر تو انايي مدل در شبيه سازي دبي پيك، زمان تا اوج، شيب شاخه صعودي و حجم سيل است. ميزان ضريب كارايي به عنوان شاخص 0 مي باشد. لازم به ذكر است كه نوع تابع انتقال و / 0 و 93 / ارزيابي مدل براي شبيه سازي سيل برابر 92 الگوريتم آموزش مدل، پارامترهايي هستند كه تاثير عمده اي بر خروجي مدل دارند. واژ ههاي كليدي: هيدروگراف سيل، شبكه عصبي مصنوعي، تابع انتقال، رودخانه جعفرآباد، استان گلستان

Abstract1 Artificial neural network is a powerful tool to solve the engineering and technical problems such as water resource problems. In this study, the ability of neural network model for simulating the hydrograph in Jafar Abad River was evaluated. It is notable that the flood hydrograph was estimated 2, 3, 4 and 5 hours earlier using the flood discharges at 2, 3, 4 and 5 previous hours as model inputs respectively. This was carried out using 18 flood hydrographs recorded in upstream gauging station. From this dataset, 12 flood hydrographs were chosen to train the model and 6 flood hydrographs for validation and test the model. The results showed that by increasing the estimation lag time, the accuracy of results decreased and in a given lag time, by increasing the number of input, the accuracy of results increased. The results showed that the amount of efficiency coefficients, which is the representation of performance of flood hydrograph modeling, is 0.92 and 0.93 for two test hydrograph, respectively. The results also showed that the type of transfer function and learning algorithm were the effective factors on model outputs. Keywords: Flood hydrograph, Artificial neural network, Transfer function, Jafar Abad river, Golestan province