دوماه نامه

نوع مقاله : مقالات پژوهشی

نویسندگان

1 دانشگاه کردستان

2 دانشگاه تربیت مدرس

چکیده

چکیده
پیش بینی جریان ورودی به منابع آبی یکی از مهمترین مسائل در برنامه‌ریزی و مدیریت بهینه آنها در جهت تولید انرژی برق آبی و تخصیص آب به منابع مصرف، محسوب می شود. پارامترهای مختلفی بر میزان دبی ورودی به سد تاثیرگذار می‌باشند. در مناطق خشک و نیمه خشک نظیر ایران، متغیرهای اقلیمی نظیر درجه حرارت و بارندگی بیشترین تاثیر را بر میزان رواناب ورودی به منابع آبی دارند. یک مدل بارش - رواناب ماهانه مناسب، ابزاری توانمند جهت بررسی اثر تغییرات اقلیمی بر قابلیت دسترسی آب برای تولید انرژی برق -آبی به شمار می‌آید. تحقیقات نشان داده است که رابطه مابین مقدار رواناب و متغیرهای تاثیر گذار بر آن ارتباطی غیرخطی و پیچیده دارند. شبکه های عصبی مصنوعی به علت خصوصیات منحصربفرد خود، قابلیت بالایی را در شبیه سازی روابط غیرخطی دارا می‌باشند. شبکه‌های عصبی مصنوعی تحولی عظیم در تحلیل رفتار سیستم‌های دینامیک در علوم مختلف مهندسی آب ایجاد کرده است. در این تحقیق سعی شده است با تبیین ویژگی‌های شبکه عصبی مصنوعی، شبکه استاتیکی برای بازیابی ارتباط غیرخطی مابین متغیرهای مستقل و وابسته طراحی گردد تا به کمک آن، تخمین هوشمند دبی متوسط ماهیانه ورودی به سد وحدت میسرگردد. در ادامه، با طراحی و بسط مدل شبکه عصبی دینامیکی بر مبنای کارکرد سری زمانی، مقدار آورد ماهانه ورودی به سد، مورد پیش‌بینی قرار گرفت. سپس از شبکه عصبی برای مدل سازی سری زمانی غیر خطی آورد ماهانه رودخانه استفاده شد. همچنین با مقایسه نتایج حاصل از مدل شبکه عصبی استاتیکی و دینامیکی، عملکرد مدل‌های طراحی شده مورد ارزیابی و سنجش قرار گرفت. نتایج حاصل از تحقیق نشان داد که انطباق خوبی مابین مقادیر پیش بینی شده با شبکه‌های عصبی ترکیبی و داده‌های مشاهداتی وجود دارد. همچنین نتایج نشان داد که مدل شبکه عصبی دینامیکی سری زمانی با دقت بالاتری نسبت به مدل استاتیکی، مقدار آورد ماهانه را پیش‌بینی می‌نماید.

واژه‌های کلیدی: دبی متوسط ماهیانه، شبکه عصبی مصنوعی، سری زمانی

عنوان مقاله [English]

Intelligent Modeling of Monthly flow Time Series into Vahdat dam in sanandaj city

نویسندگان [English]

  • P. Fathi 1
  • Y. Mohammadi 2
  • M. Homaee 2

1 Dept. of Water Engineering, University of Kurdistan, Sanandaj

2 University of Tarbiat Modares

چکیده [English]

Abstract
Prediction of input flow into water resources is regarded as one of the most important issues in optimum planning and management in producing electro-water energy and optimum allocation of water into different consumption sources. Different parameters affect on input discharge into dams. Climate variables including temperature and rainfall have the most effect on input runoff rate to water resource in dry and semi-dry regions like Iran. A suitable monthly runoff-rainfall model is a strong tool to consider the climate changes effect on accessibility of water to produce electro-water energy. The investigations have shown that the relation between runoff rate and effective variables is non-linear and complicated. Artificial Neural Networks due to their unique properties have a tremendous capability in non-linear relations simulation. Artificial Neural Networks establish a great change in analyzing dynamic systems behavior in different water-science engineering. In this paper it has been attempted to design static network to recover the non-linear relations between dependant and independent variables, so that the intelligent discharge estimation of average monthly input to Vahdat dam can be done by its help. In addition, by designing and extension of dynamic neural network model based on times series performance, the amount of the monthly input discharge to the dam was predicted. Considering the capability of Artificial Neural Networks, these networks were used for modeling the rivers monthly discharge non-linear time series. Analysis of time series having two major goals; random mechanism understanding or modeling and future series value prediction was done base on previous ones. Also, the performance of the designed models was evaluated by comparing results of the static and dynamic neural network. The results of the investigation showed that there is a good conformity between the predicted values given by combined neural network and observed data. Furthermore, the results showed that the time series dynamic neural network model predict the monthly discharge more accurate than static model.

Keywords: monthly average discharge, Artificial Neural Networks, time series

CAPTCHA Image