مدل سازی رابطه دبی_اشل در رودخانه با استفاده از روش شبکه های عصبی مصنوعی(ANN) و روش کنترل گروهی داده ها(GMDH)(مطالعه موردی: رودخانه اسکویلکیل)

پیش بینی جریان در رودخانه ها، یکی از مهم ترین مولفه های فرآیندهای هیدرولیکی و هیدرولوژیکی در مدیریت منابع آب می باشد. به منظور کاربردهای هیدرولوژیکی گوناگون نظیر تجزیه و تحلیل بیلان آب و رسوب و همچنین پروژه های کنترل و بهره برداری از مخازن، وجود اطلاعات دقیقی از شرایط دبی جریان در رودخانه بسیار مهم می باشد. از این رو هیدرولوژیست ها از داده های تاریخی جهت ایجاد یک رابطه میان دبی جریان و تراز سطح آب استفاده می کنند که از این رابطه تحت عنوان رابطه دبی- اشل یا منحنی سنجه (RC) یاد می شود. با پیشرفت های اخیر در زمینه هوش مصنوعی و محاسبات نرم در مطالعات منابع آب، استفاده از این روش ها می تواند گزینه مناسبی جهت مدل سازی فرآیندهای هیدرولیکی و هیدرولوژیکی باشد. در این تحقیق، مدلی بر اساس روش کنترل گروهی داده ها (GMDH) که یک رویکرد مدل سازی خود سازمانده مبتنی بر داده است، جهت مدل سازی رابطه دبی- اشل درایستگاه هیدرومتری فیلادلفیا روی رودخانه اسکویلکیل (Schuylkill) واقع در ایالت متحده آمریکا توسعه داده شده است. 12 مدل مختلف بر اساس ترکیبات مختلف متغیرهای ورودی از جریان و اشل با دو تابع هدف غیرخطی درجه اول و درجه دوم مورد استفاده قرار گرفته است. بررسی کارایی مدل ها با استفاده از معیارهای آماری RMSE، MPRE و ضریب NASH انجام شده است. مقادیر معیارهای آماری به دست آمده از این مدل سازی در دوره آزمون مدل نشان می دهد که مدلی با مقادیر MSE،MPRE و ضریب NASH به ترتیب برابر با 8/15، 303/0 و 999/0 به عنوان بهترین مدل دبی- اشل در این رودخانه انتخاب می گردد.

کلیدواژه ها:

روش های داده محور ، رابطه دبی- اشل ، مدل سازی ، ANN ، GMDH