ارزيابي تاثير سيگنال‌هاي مختلف ورودي بر ميزان كارايي مدل‌هاي شبكه عصبي مصنوعي در شبيه‌سازي هوشمند آبنمود سيل

Evaluating the Effects of Different Input Signals on Efficiency Coefficients of Artificial Neural Network Models for Intelligent Estimation of Flood Hydrographs

برآورد مشخصات آبنمود سيل در رودخانه‌ها، يكي از مسايل مورد علاقه پژوهشگران علوم آب و آب شناختي مي‌باشد. در اين پژوهش توانايي مدل‌هاي شبكه عصبي مصنوعي جهت شبيه سازي آبمنود سيل ورودي به سد مخزني شيرين دره در استان خراسان مورد بررسي قرار گرفته است. بدين منظور تمامي آبنمودهاي سيل ثبت شده در ايستگاه هيدرومتري موجود در بالادست مخزن سد گردآوري و مقادير دبي سيل با استفاده از روابطه مربوطه استاندارد شد. در ادامه چهار الگوي ورودي بر مبناي استفاده از دبي سيل در ساعات گذشته (يعني 2، 3، 4 و 5 ساعت قبل) طراحي شدند. به منظور بررسي اثر تعداد پارامترهاي ورودي بر دقت تخمين، در هر الگو نيز چهار سيگنال بر اساس تاًخير دبي سيل طراحي و مورد ارزيابي قرار گرفتند. به منظور ارزيابي تاثير افزايش آموزش مدل در بهبود عملكرد آن، معيارهاي آماري متعددي همچون خطاي حجم سيل، خطاي دبي اوج، خطاي زمان تا اوج و معيار ناش- ساتكليف در هر سيگنال ورودي محاسبه و مورد ارزيابي قرار گرفتند. نتايج نشان مي‌دهد كه با افزايش زمان تاخير دقت شبيه سازي كمتر مي شود. همچنين به ازاي يك زمان تاخير معين، با افزايش تعداد ورودي‌ها (دبي در ساعتهاي قبل)، نيز دقت نتايج افزايش مي يابد. به طوريكه با افزايش تعداد ورودي‌ها در الگوي اول، ميزان ضريب ناش- ساتكليف از مقدار 79/0 به 91/0 براي سيگنال چهارم افزايش يافت

The estimation of flood hydrograph characteristics in natural rivers is of hydrologists interests. In this paper, the ability of neural networks for estimation of flood hydrograph to Shirindareh reservoir dam in Khorasan province is evaluated. Therefore, all flood hydrograph events of hydrometery station in upstream were collected and normalized. It is notable that the flood hydrometery 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. In each pat¬tern, four signals were selected for considering the effect of number of inputs for estimation of flood hydro- graph. The results show that by increasing the estimation lag time, the accuracy of results decrease and in given lag time, by increasing the number of input, the accuracy of results increase. The results show that the amount of efficiency coefficients, which is the representation of goodness of flood hydrograph model¬ing, is increased from 0.79 for signal one to 0.91 for signal four.