الگوريتم تركيبي شبكه عصبي و ژنتيك راهي براي برآورد دبي سيلاب

The combination of neural networks and genetic algorithms is a way to estimate the Peak flood

برآورد سريع و صحيح دبي اوج به عنوان يكي از مباحث اصلي در مديريت منابع آبي و سيلاب نقش اساسي در طراحي سازه هاي آبي و اقدامات بيو مكانيكي در حوضه هاي آبخيز دارد. به طوريكه يك برآورد صحيح آن نقش اساسي در موفقيت كار هاي اجرايي دارد. در اين بررسي سعي شده با استفاده از روش هوش مصنوعي(تركيب شبكه عصبي پرسپترون چند لايه و الگوريتم ژنتيك) دبي حداكثر رودخانه يلفان در محل ايستگاه هيدرومتري و رسوب سنجي يلفان برآورد گردد. به اين منظور در اين دو مدل 8 متغيير كه شامل بارندگي مربوط به روز وقوع سيل، بارندگي‌هاي 5 روز قبل، دبي پايه در روز وقوع سيل و CN حوضه به عنوان پارامتر هاي ورودي و دبي پيك به عنوان خروجي در نظر گرفته شده است. سپس با استفاده از روش هوش مصنوعي و پيش پردازش داده ها، ساختار بهينه مدل با استفاده از داده هاي ورودي و خروجي و با ملاك قرار دادن معيار هاي ارزيابي، به روش سعي و خطا تعيين گرديد. در نهايت در مدل تلفيقي شبكه عصبي و الگوريتم ژنتيك، پس از تعيين مدل بهينه شبكه عصبي، نتيجه مدل به الگوريتم ژنتيك وارد گرديد. نتايج نشان داد كه مدل تركيبي شبكه عصبي و الگوريتم ژنتيك عملكرد خوبي در برآورد دبي سيلاب در حوزه يلفان دارد.

Fast and accurate estimation in Peak flow is one of the major issues in water resources management that have basic role in the design of hydraulic structures and biological activities in basins. So that a proper assessment has a basic role in the success of administrative tasks. In this paper, using artificial intelligence methods (Multi-layer Perceptron Neural Network and The mixture of Multi-layer Perceptron Neural Network with genetic algorithm) to estimate yalfan river, s peak discharge in Yalfan,s sediment and hydrometer local station. For these two models, 8 variables have been considered as the inputs that includes Flooding rain,5 days rainfall that occurs before of the flooding day, cure number of the basin(CN) and basic discharge and finally peak discharge is consider as the output. In the artificial intelligence after preprocessing of the data, the optimal structure of the model is determined with input and output data, Evaluation Criteria and trial and error. In the final the mixture of artificial network and genetic algorithm that the neural network has been a input role, have been a good performance in runoff forecasting in Yalfan Basin.