توانایی شبکه عصبی مصنوعی در برآورد جریان رودخانه میناب استان هرمزگان

نوع مقاله : مقاله علمی -پژوهشی کاربردی

نویسنده

استادیار گروه مهندسی آب مجتمع آموش عالی میناب، دانشگاه هرمزگان، بندرعباس، ایران

چکیده

پیش‌بینی دقیق پارامترهای مؤثر در طرح های منابع آب، یکی از مهمترین مباحث تحقیقی مهندسان آب می‌باشد از جمله این پارامترها دبی رودخانه است. در این مقاله از شبکه عصبی به دو روش شبکه پرسپترون چند لایه (MLP) و با الگوریتم پس انتشار خطا و تابع پایه شعاعی (RBF) و با استفاده از نرم‌افزا ر متلب و 19 SPSS به منظور تخمین دبی در حوزه آبخیز میناب با استفاده از داده‌های هم‌زمان بارش روزانه و دبی‌آب روزانه ایستگاه‌های برنطین، گلاشگرد و فاریاب برای یک دوره 25 ساله استفاده شده است. در این تحقیق به منظور بررسی و تعیین بیش‌ترین تاثیر بارندگی هر یک از ایستگاه‌ها بر دبی آب رودخانه میناب، تاثیر 5 روز متوالی بارش بر دبی را به صورت هر روز جداگانه (p0 ، p-1،p-2، p-3، p-4، p-5) برای تک تک ایستگاه‌ها و به صورت مشترک، بارش روز اول و دوم الی روز پنجم برای ایستگاه‌هایی که دو به دو مشترک در نظر گرفته شده، انجام شده است. نتایج بدست آمده نشان داد که روش چند لایه پرسپترون (MLP) کمترین خطا (RMSE) و بالاترین همبستگی (R^2) بین بارش روزانه در هر سه ایستگاه با دبی اندازه گیری شده را نشان داد. همچنین بارش روز اول در ایستگاه‌های زوجی و بارش روز اول و پنجم در ایستگاه‌های منفرد بیشترین تاثیر را در تولید دبی خروجی حوضه دارد

کلیدواژه‌ها


عنوان مقاله [English]

The ability of the artificial neural network to estimate the flow of the Minab River in Hormozgan Province

نویسنده [English]

  • Maryam Heydarzadeh
Assistant Professor, Department of Water Engineering, Minab Higher Education Complex, Hormozgan University, Bandar Abbas, Iran
چکیده [English]

Accurate forecasting of effective parameters in water resources projects is one of the most important research topics for water engineers. One of these parameters is river flow. In this paper, the neural network is used in two ways: multi-layered perceptron network (MLP) network, with error post-propagation algorithm and radial base function (RBF) and using Matlab and SPSS 19 software to estimate Dubai in Minab watershed using data. Simultaneous daily rainfall and daily water supply have been used for Brentin, Glasgard and Faryab stations for a period of 25 years. In this study, in order to investigate and determine the highest rainfall effect of each of the stations on the Dubai River, the impact of 5 consecutive days of rainfall on Dubai on a daily basis (p0, p-1, p-2, p 3.3, p-4, p-5) For each station and jointly, the first and second to fifth day rains were performed for stations with two to two subscribers. The results showed that the multi-layered perceptron (MLP) method had the lowest error (RMSE) and the highest correlation (R^ 2) between daily precipitation at all three stations measured with Dubai. Also, the first day's rainfall in the couple's stations and the first and fifth day's rain in the single stations have the greatest impact on Dubai's output

کلیدواژه‌ها [English]

  • Neural network
  • flow estimation
  • Minab River
  • MLP network
  • RBF network
بیل، آر. و جکسون، تی. 1380. " آشنایی با شبکه­های عصبی مصنوعی". ترجمه محمود البرزی. موسسه انتشارات علمی. تهران.
پلنگی.ع، ج. معاضد، ه. و طارقیان، ر. 1385 . " تخمین تبخیر وتعرق پتانسیل گیاه با استفاده از شبکه‌های عصبی در منطقه اهواز". همایش ملی شبکه‌های آبیاری و (ETo) مرجع زهکشی. اهواز. ایران.
جهانگیر، ع.، رائینی، م.، احمدی، م. ض. و اکبرپور، الف. 1387 . " شبیه سازی فرایند بارش- رواناب با استفاده از شبکه عصبی مصنوعی در حوضه کارده". مجله آب و خاک(علوم صنایع کشاورزی)، جلد 22. شماره 2 ایران.
خسروی، م. شکیبا، ه. .1389"پیش بینی بارش با استفاده از شبکه‌های عصبی مصنوعی به منظور مدیریت سیل: مورد منطقه ایرانشهر".مجموعه مقالات چهارمین کنگره بین المللی جغرافی دانان جهان اسلام. ICIWG 2010
خسروی، م. سلاجقه، ع. مهدوی، م. محسنی ساروی، م. 1391. پیش‌بینی سیل با استفاده از شبکه عصبی مصنوعی و رگرسیون چندمتغیره غیرخطی (مطالعه موردی: طالقان). مرتع و آبخیزداری. دوره: ۶۵، شماره
خودرنجبر, م.، شیرزاد، ا. ۱۳۹۵. مقایسه عملکرد شبکه‌های عصبی MLP و RBF در پیش بینی دبی روزانه رودخانه. همایش ملی آب و سازه‌های هیدرولیکی، دزفول، دانشگاه آزاد اسلامی واحد دزفول، https://www.civilica.com/Paper-NCWHS01-NCWHS01_150.html
درمانی، م.، بهتانی، م.، آرا، ه.، گلکاریان، ع.، شریف آذری، س. 1397. طراحی شبکه­های عصبی فیدبک تکاملی با استفاده از الگوریتم بهینه­سازی عنکبوتی در برآورد بار معلق (مطالعه موردی: حوضه آبخیز سد کارده(. نشریه تحقیقات کاربردی علوم جغرافیایی سال هجدهم، شماره 15 ، صفحات 183-198
رامشت، م.ح.، 1385. نقشه­های ژئومرفولوژی (نمادها و مجازها)، انتشارات سمت، 190 ص.
شریفی، ف.، بزگ حداد، الف. و علیمحمدی، س. 1384 . "پیش بینی جریان با استفاده از شبکه- های عصبی فازی". پنجمین کنفرانس هیدرولیک ایران. کرمان. ایران.
شمسی، الف. ط.، منهاج، م. ب. و احمدیان، ر. 1384 . "برآورد رسوب با استفاده از شبکه عصبی برای جریان های فوق بحرانی و زیربحرانی". پنجمین کنفرانس هیدرولیک ایران. کرمان. ایران.
صداقت کردار، ع. فتاحی، ا. 1378. "شاخص­های پیش­آگاهی خشکسالی در ایران". مجله جغرافیا و توسعه، بهار و تابستان 1387، شماره11، صص59-76.
عراقی­نژاد، ش. و کارآموز، م. 1384." پیش بینی بلند مدت رواناب با استفاده از شبکه­های– عصبی­مصنوعی و سیستم استنتاج فازی". تحقیقات منابع آب ایران. سال اول، شماره 2، ص 29 .41
کوره­پزان دزفولی، الف. 1384. " اصول تئوری مجموعه‌های فازی و کاربردهای آن در مدل- سازی مسائل مهندسی آب". انتشارات جهاد دانشگاهی واحد صنعتی امیرکبیر. تهران.
منهاج، م. ب. 1379 ." مبانی شبکه­های عصبی". انتشارات دانشگاه صنعتی امیرکبیر. تهران.
منتظر، غ. قدسیان، م. دهقانی، ا. آذرخش، م.1381. " ارائه روشی هوشمند به منظور برآورد حداکثر عمق آبشستگی دماغه آبشکنها با استفاده از شبکه عصبی".ششمین سمینار بین المللی مهندسی رودخانه، دانشگاه شهید چمران اهواز.ص: 787-796
مجرد قره باغ، ف. 1376. "تحلیل و پیش بینی یخبندان در آذربایجان" رساله دوره دکتری، دانشگاه تربیت مدرس، دانشکده علوم انسانی
میرباقری، س.ا. رجائی، ط. 1383."تخمین بار معلق رودخانه زهره با استفاده از شبکه عصبی مصنوعی" اولین کنگره ملی مهندسی عمران. دانشگاه صنعتی شریف.
نقی زاده بهبهانی، س، ع. و زمردیان، م. ع. 1384. " تعیین مقطع نهایی شکست سدهای خاکی با استفاده از شبکه عصبی مصنوعی". پنجمین کنفرانس هیدرولیک ایران. کرمان. ایران.
ناصری، م . 1382. "پیش بینی بارندگی در دامنه زمان و مکان با استفاده از شبکه عصبی مصنوعی و الگوریتم ژنتیک". پایان نامه دوره کاشناسی ارشد، دانشگاه صنعتی اصفهان، گروه عمران.
ولی، ع. رامشت، م.ح. سیف، .ع.قضاوی.ر.1390. "مقایسه کارآیی مدل­های شبکه­های عصبی مصنوعی و رگرسیون برای پیش بینی بار رسوب جریان مطالعه موردی حوضه آبخیز سمندگان". مجله جغرافیا و برنامه ریزی محیطی، سال 22 ، شماره پیاپی 44 ، شماره 4
وزارت نیرو، شرکت آب و برق خوزستان، معاونت طرح و توسعه سد و نیروگاه، دفتر تحقیقات و استاندارهای سد و نیروگاه. آبان 1386
یزدانی، م. ر. و چاوشی، س. 1384 . " پیش بینی جریان رودخانه با استفاده از مدل شبکه عصبی مصنوعی". پنجمین کنفرانس هیدرولیک ایران. کرمان. ایران.
Anctil, F., C.H. Perrin and V. Andreassian. 2003. “Impact of the length of observed records on the   Performance of ANN and of conceptual parsimonious rainfall-runoff forecasting models”. Environmental Modeling & Software, 19: 357-368.
Azmathullah, H. M., Deo, M. C. and Deolalikar, P. B. 2006. "Estimation of Scour Blow Spillways Using Neural Networks". J. Hydraulic Research; 44 (1): 155-163.
Abrahart, R.J., See, L.M., 2007. “Neural network emulation of a rainfall-runoff model”. Journal of Hydrology and Earth System Sciences. 4, 287–326, 2007.
Birikundavy, R. Labib, H. T. Trung and J. Rousselle.2002. “Performance of Neural Networks in Daily Stream Flow Forecasting,” Journal of Hydrologic Engineering, Vol. 7, No. 5, 2002, pp. 392-398. doi:10.1061/(ASCE)1084-0699(2002)7:5(392)
Dawson C .W. and Wilby. R. (1998) A comparison of artificial neural network used for river flow forecasting, J. of ydrology andEarth System Sciences, 3(4), 529-540.
Dawson, C.W., Wilby, R.L., 2001. “Hydrological modelling using artificial neural networks”. Progress in Physical Geography 25,1 (2001) pp. 80–108.
Goswami, M. and O'connor, K. M. 2005. "Application of Artificial Neural Networks for River Flow Simulation in Three French Catchments". The Fourth Inter- Celtic Colloquium on Hydrology and Management of Water Resources". Guimaraes, Portugal.
Grimes, D. I. F. Coppola, E., Verdecchia, M. and Visconti, G. 2003. "A Neural Network Approach to Real-Time Rainfall Estimation for Africa using Satellite Data". J ydrometeorology; 4: 1119-1133.
Haykin, S., 1994. “Neural network: A comprehensive foundation”. MacMillan College publishing Co., New York.
Jain, S.K., A. Das, and D.K. Srivastava. 1999. “Application of ANN for reservoir inflow Prediction and operation”. Journal of Water Resources Planning and Management, ASCE, 125(5):263-271.
Kashefipour, S. M., Falconer, R. A. and Lin, B. 2002. "Modeling Longitudinal Dispersion in Natural Channel Flows Using ANNs". International Conference on Fluvial Hydraulics, River Flow 2002. Louvain-La. Belgium.
Kashefipour, S. M., Lin, B. and Falconer, R. A. 2005. "Neural Networks for Predicting Seawater Bacterial Levels". Proceedings of the Institution of Civil Engineers (ice), Water Management; 158 (WM3): 111-118.
Kalteh A. M.2008." Rainfall-runoff modelling using artificial neural networks (ANNs): modelling and understanding".Caspian J. Env. Sci. Vol. 6 No.1 pp. 53~58
Kisi, O. (1999). “River flow modeling using artificial network”. J.of Hydrology, Vol.214, 32-48.
Minns, A.W. and M.J. Hall. 1996. “Artificial neural network as rainfall-runoff models”. Hydrological Sciences Journal, 41: 399-417
Nayak, P. C., Sudheer, K. P., Rangan, D. M. and Ramasastri, K.S. 2004. "A Neuro-Fuzzy Computing Technique for Modeling Hydrological Time Series". J. Hydrology; 291: 52-66.
Solaimani, K., 2009. “Rainfall-runoff Prediction Based on Artificial Neural Network (A Case Study: Jarahi Watershed)”. American-Eurasian Journal of Agriculture and Environment. Science, 5 (6): 856-865, 2009, ISSN 1818-6769.
Shamseldin, A. Y. 1997. "Application of a Neural Network Technique to Rainfall- Runoff Modeling". J. Hydrology, Amsterdam; 199 (1997): 272-294.
Sinha, N. K. and Gupta, M. M. 2000. "Soft Computing and Intelligent Systems: Theory & Applications". Academic Press. San Diego.
Tan Danh, N., Phien, H. N. and Gupta, A. D. 1999. "Neural Network Models for River Flow Forecasting". Water SA; 25 (1): 45-56.
Tokar, A. S. and Johnson, P. A. 1999. "Rainfall-Runoff Modeling Using Artificial Neural Networks". J. Hydrologic Engineering, ASCE; 4 (3): 232-239.
Yang, C. C., Prasher, S. O., Lacroix, R., Sreakanth, S., Patni, N. K. and Masse, L. 1997. "Artificial Neural Network Model for Subsurface-Drained Farmland". J. Irrigation and Drainage Engineering, ASCE; 123 (4): 285-292.
Zaker Moshfeg, M., Ghodsian, M., and Montazer. Gh. A. (2004).” River flow forecasting using artificial neural networks. Proceeding of the hydraulics of dams and river structures”. Yazdandoost and Attari (eds). London.