دوماه نامه

نوع مقاله : مقالات پژوهشی

نویسندگان

دانشگاه بوعلی سینا همدان

چکیده

چکیده
از دیرباز معادله های متنوعی برای تعیین رواناب به منظور مدیریت منابع آب توسط پژوهش گران ارایه شده که کاربرد گسترده ای در علوم هیدرولوژی دارند. در پژوهش حاضر با بهره گیری از داده های مشاهده ای، کاربرد مدل های تجربی، شبکه عصبی مصنوعی (ANN) و شبکه عصبی-فازی (CANFIS) در برآورد رواناب بررسی شد. بدین منظور با استفاده از اطلاعات فیزیوگرافی و اقلیمی سه ایستگاه آب سنجی پل زمانخان، قلعه شاهرخ و سد زاینده رود واقع در حوضه زاینده رود، مقادیر رواناب برآورد شده از مدل های تجربی و مدل های هوشمند عصبی با مقادیر رواناب سالانه مقایسه گردید. پارامترهای ورودی شامل متوسط بارش سالانه، متوسط دمای هوا، دمای حداقل و حداکثر هوا بود. نتایج نشان داد مدل های هوشمند عصبی از دقت مناسبی در برآورد رواناب برخوردار بودند. در بین روش های تجربی نیز، روش دی سوزا مناسب تشخیص داده شد. مقایسه شاخص های خطاسنجی بین روش های برگزیده تجربی با مدل های هوشمند عصبی نشان داد میانگین درصد خطای (MPE) در ANN، CANFIS و مدل تجربی دی سوزا به ترتیب 7، 12 و 43 درصد بود که موید اختلاف قابل توجه بین روش ها می باشد. ضمن آن که ترکیب منطق فازی با شبکه عصبی مصنوعی در قالب مدل CANFIS کارایی لازم را در بهبود نتایج شبکه عصبی مصنوعی نداشت. همچنین نتایج این پژوهش نشان داد با کاهش متغیرهای ورودی از 4 پارامتر به یک پارامتر بارش، خطای مدل سازی به حداکثر مقدار خود (از % 7=MPE به % 16=MPE) می رسد. در مقابل ساختار بهینه شبکه عصبی به حذف پارامتر میانگین دمای هوا، حساسیت کمتری (از % 7=MPE به % 10=MPE) نشان داد. بنابراین با توجه به محدودیت اطلاعات مورد نیاز روابط تجربی و دقت بالای مدل های هوشمند، کاربرد مدل عصبی قابل توصیه است.

واژه های کلیدی: برآورد رواناب، روش تجربی، شبکه عصبی مصنوعی، عصبی-فازی، حوضه زاینده رود

عنوان مقاله [English]

Evaluation of Artificial Intelligent and Empirical Models in Estimation of Annual Runoff

نویسندگان [English]

  • H. Zare Abyaneh
  • M. Bayat Varkeshi

Department of Irrigation and Drainage Engineering, Agriculture Faculty, Bu-Ali Sina University, Hamedan

چکیده [English]

Abstract
From Longley, the various equations for determining the runoff to water management are presented by the researchers that are widely used in hydrologic sciences. In this study by using observational data, was evaluated empirical, artificial neural network (ANN) and ca-active neuro-fuzzy inference system (CANFIS) models in estimation of runoff. For this purpose, by using climatic and physiographic information in three stations of Pole Zamankhan, Ghale Shahrokh and Sade Zayandeh Rood, runoff values were estimated from empirical models and intelligent models were compared to annual runoff values. Input parameters include rain, mean temperature, mininmum temperature and maximum temperature. The results showed that the artificial intelligent models had good accuracy in estimating runoff. Among the empirical methods, method of Di Souza was appropriate. Comparison statistical parameters between methods was showed that mean percent error (MPE) in ANN, CANFIS and empirical method was 7, 12 and 43 percent respectively that confirmed differences of between the methods is significant. Also, CANFIS model did not artificial improve ANN results. The results showed, with reduction of input variables from 4 parameters to one parameter of precipitation, modeling error reaches its maximum value (from MPE=7% to MPE=16%). Versus, the optimal structure of ANN had less sensitivity to remove the mean air temperature parameter (from MPE=7% to MPE=10%(. Therefore, according to empirical models required information limitations and high accuracy of artificial intelligent models, intelligent models application is recommended.

Keywords: Estimation of runoff, Empirical method, ANN, CANFIS, Zayandeh rood Basin

CAPTCHA Image