شبیه‌سازی رواناب با استفاده از شبکه عصبی- موجکی (مطالعه‌ی موردی: حوضه‌‌ی آبخیز رود خِرسان3)

نوع مقاله : مقاله پژوهشی

نویسنده

• صادق کریمی

استادیار آب و هواشناسی، بخش جغرافیا، دانشگاه شهید باهنر کرمان، کرمان، ایران

چکیده

برآورد، پیش­بینی و مدیریت رواناب همواره مورد توجه پژوهشگران بوده است؛ لذا با به کارگیری روشهای متداول و مرسوم هر دوره، اقدام به برآورد این پدیده به ظاهر زیانبار نموده اند که متأسفانه به دلیل پیچیدگی رابطه­ی بین بارش و رواناب، و غیر خطی بودن این رابطه، نتایج خیلی دقیقی را به دست نمی­دادند. امروزه، پیشرفت علم و توسعه­ی روشهای نوین در همه­ی ابعاد علمی، امیدواری خوبی را در زمینه­ی شناخت و حل چنین روابطی به وجود آورده است. یکی از روشهایی که در چند دهه­ی اخیر توجه محققین را به خود جلب کرده، استفاده از شبکه­های عصبی است. در این پژوهش از شبیه عصبی- موجکی برای براورد رواناب در حوضه­ی آبخیز رود خِرسان3، استفاده شده است. سپس نتایج به دست آمده از این شبیه با نتایج شبکه­ی عصبیِ انتشار برگشتی و شبکه­ی عصبیِ بنیادی- شعاعی به عنوان شبیه­های قدیمیتر مقایسه، و تجزیه و تحلیل گردید. بررسی دقت و مقایسه نتایج محاسبات باکاربرد ضریب همبستگی و ریشه­ی میانگین مربعات خطا صورت گرفت. نتایج این تحقیق نشان می­دهند که دقت شبکه­ی عصبی- موجکی از شبکه­ی عصبی انتشار برگشتی، و شبکه­ی عصبی بنیادی- شعاعی در وضعیت بهتری قرار دارد.

کلیدواژه‌ها

• شبکه‌ی عصبی- موجکی
• شبکه‌ی عصبیِ انتشار برگشتی
• شبکه‌ی عصبیِ بنیادی- شعاعی
• رواناب

20.1001.1.20086377.1394.8.24.1.7

---

عنوان مقاله [English]

Runoff Simulation Using Neural-Wavelet Network (Case Study: Catchment of Khersan3 River)

نویسنده [English]

• S. Karimi

چکیده [English]

Estimates, forecasts and Runoff management have always been an interest to researchers. Therefore, using any of the methods commonly used in estimating seemingly destructive phenomenon that, unfortunately, due to the complexity of the relationship between rainfall and Runoff and non-linearity of the relationship, the results are not good. Todays, with the advancement of science and the development of new techniques in all aspects of science, understanding and settle in for a good hope to have created such relationship. One of approaches that have attracted attention of researchers in recent decades is using of Neural Networks. In this study, the Neural- Wavelet Network for Estimating Runoff in Khersan catchment area is used. The results obtained from this model with results from a Neural Network of Return Propagation and Neural Network of Fundamental-Radial, as older models, compared and analyzed. Comparison of results was performed by correlation coefficient and Root Mean Square Error. The results show that the accuracy of the Neural- Wavelet Network compared to Neural Network of Return Propagation and Neural Network of Fundamental-Radial is better.

کلیدواژه‌ها [English]

• Neural-Wavelet Network
• Neural Network of Return Propagation
• Neural Network of Fundamental-Radial
• Runoff

مراجع

1-  اکبرپور، م، 1382. شبیه­سازی فرایند بارندگی- رواناب با استفاده از شبکه­های عصبی مصنوعی (شبیه HEC-HMS). پایان­نامه کارشناسی ارشد. دانشگاه شهید باهنر کرمان.

2-  حیدری، ع. و ع، سلاجقه. 1382، تحلیل  تقریبی سازه­هادر برابر زلزله با استفاده از انگاره  موجک. ششمین کنفرانس بین­المللی مهندسی عمران. دانشگاه صنعتی اصفهان.

3-   سازمان هواشناسی کشور، 1389.

4-   شاهی­نژاد، ب. 1381. شبیه ­بندی منطقه­ای رواناب حوضه آبخیز دز. پایان­نامه کارشناسی ارشد تأسیسات آبی. گروه مهندسی آب. دانشگاه ارومیه.

5-  عسگری، ع. ا. 1384. تجزیه و تحلیل سامانه لیداری بر مبنای لیزر TEA-CO2 با استفاده از روش دی کانولوشن. پایان­نامه­ی کارشناسی ارشد فیزیک. دانشگاه شهید باهنر کرمان.

6-  لوایی، ع. 1381. طرح بهینه­سازی سازه­های فضاکار با استفاده از الگوریتم وراثتی و شبکه­های عصبی مصنوعی. پایان­نامه کارشناسی ارشد. دانشگاه شهید باهنر کرمان.

7-   منهاج، م. ب. 1379. مبانی شبکه­های عصبی مصنوعی. مرکز نشر دانشگاه صنعتی امیرکبیر.

8-   نجمایی، م. 1369. آبشناسی مهندسی. انتشارات دانشگاه علم و صنعت ایران. تهران.

9-  نوری­بالو، م. 1385. شبیه­سازی فرایند بارندگی- رواناب رودخانه­های هلیل­رود و غازان­چای. پایان­نامه کارشناسی ارشد سازه­های آبی. دانشگاه شهید باهنر کرمان.

10-         Heb, D. O. 1949. The organization of behavior. Wiley N.Y.

11-         Hopfield, J. 1943. Neurons with graded response have collective computational properties. Proc of Nati acad of scis. 5.

12-         Hsu, K, H, Gupta and S, Sorooshian. 1995. Artificial neural network modeling of the Rain-fall Runoff process. Water Resou res, 31: 2517-2530.

13-         Imrie, C. E., S. Durucan and A.  Kore. 2000. River flow prediction using artificial neural network: Generalization beyond the calibration range. Hydrol. 233: 138-153.

14-         Kohonen, T. 1972. Correlation matrix memories. IEEE Tran on comp. 21.

15-         Lauzon, N. J, Roissel. S, Birkundavyi. and H, Trung. 2000. Real Timed Daily flow forecasting using black-box model diffusion Processes and ANN, Civil Eng. 27: 671-682.

16-         Mcculoch, W. and W, Pitts. 1943. A logical calculus of the ideas imminent in nervous activity. bull mathe Biophy. 5.

17-         Rosenblatt, F. 1958. The perseptron: A probabilistic model for information storage and organization in the brain. Psychological Review. 65.

18-         Sajikumar, N. and BS, Thandaverwara. 1999. A Non linear- runoff model using an ANN. Hydrol. 216:32-55.

19-         Windrow, B. and ME, Hoff. 1960. Adaptive switching circuits. IRE part A WENCON report, New York.