بررسي كاربرد مدل‌هاي هوش محاسباتي در شبيه سازي و پيش بيني بهنگام جريان‌هاي سيلابي

Evaluation of the Application of Artificial Intelligence Model for Simulation and Real – Time Prediction of Flood Flow

در اين تحقيق توانايي مدل‌هاي شبكه عصبي مصنوعي جهت شبيه سازي رفتار هيدرولوژيكي آب در حوزه‌هاي آبخيز مورد بررسي قرار گرفته است. هدف اصلي تحقيق بررسي كاربرد انواع مختلف شبكه‌هاي عصبي مصنوعي جهت شبيه سازي جريان در يك حوزه آبخيز با چند ايستگاه هيدرومتري و پيش بيني بهنگام جريان‌هاي سيلابي در پايين دست بوده است. منطقه مورد بررسي قسمت فوقاني رودخانه درونت (Derwent) مي‌باشد كه يكي از شاخه‌هاي اصلي رودخانه ترنت (Trent river)در ناحيه مركزي انگلستان است. جريان سيلاب رودخانه 3، 6، 9 و 12 ساعت قبل از وقوع در محل ايستگاه هيدرومتري واتستندول (Whatstandwell) با استفاده از داده‌هاي اندازه‌گيري شده در بالا دست پيش بيني گرديده است. سه نوع شبكه عصبي مختلف كه عبارت‌اند از شبكه پرسپترون چند لايه(MLP network) ، شبكه برگشتي (Recurrent network)و شبكه برگشتي با تأخير زماني(Time lag recurrent network) به‌صورت جداگانه مورد استفاده و ارزيابي قرار گرفتند. هم‌چنين جهت بررسي تأثير طول داده‌هاي ورودي در كارايي مدل‌هاي شبكه عصبي، شبيه سازي‌هاي مختلف با استفاده از داده‌هاي هيدرولوژيكي با طول و تعداد متفاوت مورد استفاده قرار گرفت. داده‌هاي با فاصله اندازه‌گيري 30 دقيقه‌اي با طول دوره‌هاي 1 ماه، 6 ماه و سه سال ( كه توليد تعداد مشاهده‌هاي متفاوتي را مي‌نمايد) بدين منظور مورد استفاده واقع شد. براساس نتايج به‌دست آمده هرچند شبكه‌هاي عصبي مصنوعي به‌صورت عمومي و كلي كارايي مناسبي را در شبيه سازي و پيش بيني دبي جريان از خود نشان داده‌اند ولي نوع شبكه عصبي مصنوعي و نيز خصوصيات داده‌هاي ورودي مدل خصوصاً داده‌هاي آموزشي پارامترهاي بسيار مهمي هستند كه تأثير عمده‌اي را روي خروجي‌هاي مدل دارند.

The potential of artificial neural network models for simulating the hydrologic behaviour of catchments is presented in this paper. The main purpose is the modeling of river flow in a multi-gauging station catchment and real time prediction of peak flow downstream. The study area covers the Upper Derwent River catchment located in River Trent basin. The river flow has been predicted (at Whatstandwell gauging station) using upstream measured data. Three types of ANN were used for this application: Multi-layer perceptron, Recurrent and Time lag recurrent neural networks. Data with different lengths (1 month, 6 months and 3 years) have been used, and flow with 3, 6, 9 and 12 hours lead-time has been predicted. In general, although ANN shows a good capability to model river flow and predict downstream discharge by using only upstream flow data, however, the type of ANN as well as the characteristics of the training data was found as very important factors affecting the efficiency of the results.