مقايسه مدل سازي دبي خروجي از سد پاره سنگي با شبكه عصبي مصنوعي و روش عددي

Comparative modeling of output discharge from rockfill dam by artificial neural network and numerical method

سيلاب يكي از مهمترين بلاياي طبيعي است كه حيات و سرمايه بشري را تهديد مي نمايد. سد هاي پاره سنگي يكي از روش هاي ارزان قيمت جهت كنترل سيلاب محسوب ميگردند. استفاده از اين سدها سبب ميشود كه هيدروگراف سيل خروجي از آن، داراي دبي اوج كمتر و زمان پايه بزرگتري نسبت به هيدروگراف ورودي گردد. شبكه عصبي مصنوعي از جمله روش هايي است كه مي تواند با دقت مناسبي فرآيندهاي پيچيده و غيرخطي را برآورد نمايد. اما دقت پيشبيني آن به نوع الگوريتم يادگيري و تابع آستانه مورد استفاده بستگي دارد. در اين تحقيق به منظور برآورد دبي خروجي از سدهاي پاره سنگي و بر مبناي بكارگيري داده هاي آزمايشگاهي، مدل شبكه عصبي پرسپترون چندلايه با الگوريتم هاي يادگيري مختلف و تابعهاي آستانه مورد ارزيابي قرار گرفت. سپس، دبي برآورد شده با روش شبكه عصبي مصنوعي با مقادير حاصله از مدل عددي دو بعدي مقايسه گرديد. نتايج نشان داد كه مدل پرسپترون چندلايه با الگوريتم يادگيري دلتا بار دلتا و تابع آستانه تانژانت هايپربوليك با مقدار ميانگين مربع خطا برابر با 00011/0، مقدار دبي خروجي از سد پاره سنگي را با دقت بالايي پيش بيني مي نمايد. همچنين شبكه عصبي مصنوعي با مقدار ضريب تعيين (962/0 =2R) همانند مدل عددي (984/0 =2R) ازعملكرد مطلوبي برخوردار بود. بنابراين ميتوان براي تخمين دبي خروجي از سد هاي پارهسنگي، با بكارگيري شبكه عصبي مصنوعي بجاي روش هاي عددي به مشكل پيچيدگي و زمان بر بودن روش هاي عددي فايق آمد.

Flood is one of the most important natural disasters that threats human life and wealth. Application of rockfill dams is one of the low-cost methods for flood controlling. The use of these dams is resulted in higher peak discharge and shorter time in output flood hydrograph than those in input hydrograph. Artificial neural network (ANN) is one of the methods which can predict complex and non-linear processes at desirable level of accuracy. However, the accuracy of its prediction depends on the type of used learning algorithm and threshold function. In this study for estimation of flow through rockfill dam based on experimental data, multilayer perceptron model with different learning algorithms and threshold functions was evaluated. Afterwards, the output discharge values predicted by ANN method were compared with the values computed by two-dimensional numerical model. The results showed that the Multilayer perceptron model using Delta-Bar-Delta learning algorithm and Tanh threshold function with mean square error equal to 0.00011 predicted the output discharge from rockfill dam with high accuracy. The ANN method with a R2 of 0.962 performed as good as the numerical model (R2 =0.984) for estimation of the mentioned parameter. Therefore, the drawback of the time-consuming and complex numerical methods analysis in estimating the output discharge of the dams can be overcome by using artificial neural network.