صابر معظمی - استادیار مهندسی عمران، مرکز تحقیقات علوم زیستمحیطی، واحد اسلامشهر، دانشگاه آزاد، تهران، ایران
روح اله نوری - استادیار مهندسی محیط زیست، گروه مهندسی عمران، دانشگاه اراک، اراک، ایران. (مسوول مکاتبات)
محمدرضا وصالی ناصح - استادیار محیط زیست، موسسه تحقیقات آب وزارت نیرو، تهران، ایران
عباس اکبرزاده - استادیار مهندسی محیط زیست، دانشکده تحصیلات تکمیلی محیط زیست، دانشگاه تهران، تهران، ایران

زمینه و هدف: سدها به عنوان یکی از اساسی ترین منابع تامین آب شرب، کشاورزی، برق آبی و صنعتی از نقش مهمی در توسعه جوامع انسانی و محیط زیست اطراف خود برخوردارند. بنابراین با توجه به نقش اساسی سدها در پویایی محیط اطراف خود، برآورد جریان ورودی به آن ها از اهمیت ویژه ای برخوردار بوده و از ابزارهای مهم و موثر در مدیریت بهینه کمی و کیفی منابع آب است.   روش بررسی: در این تحقیق سعی شده تا با استفاده از مدل هوش مصنوعی شبکه عصبی مصنوعی (ANN) اقدام به مدل سازی جریان ماهانه رودخانه صوفی چای، ورودی به سد علویان، گردد. همچنین به منظور بهبود عملکرد مدل مذکور و با توجه به اطلاعات زیاد ورودی به این مدل، از روش تجزیه متعامد سره (POD) به منظور تعیین بهترین الگوی ورودی به مدل ANN استفاده گردید. در نهایت نیز عملکرد دو مدل ANN و مدل ترکیبی POD-ANN بر پایه آماره های ضریب تعیین (R۲)، میانگین خطای مطلق (MAE) و میانگین قدرمطلق خطای نسبی (AARE) مورد ارزیابی قرار گرفت. یافته ها: نتایج این تحقیق مشخص نمود که اگرچه مقادیر پیش بینی شده دبی ورودی به مخزن سد توسط مدل ANN نزدیک به مقادیر مشاهده ای هستند اما عملکرد آن در نقاط با دبی بالا با خطای قابل توجهی همراه است. همچنین یافته های این تحقیق حاکی از عملکرد بهتر مدل POD-ANN نسبت به مدل ANN در نقاط با دبی بالا بود. در حالت کلی نتایج به دست آمده از مدل POD-ANN اجرا شده مشخص نمود که مقدار آماره های R۲، MAE و AARE مدل در هر دو مرحله واسنجی و صحت سنجی بهبود قابل توجهی نسبت به مقادیر مشابه در مدل ANN داشته اند. مقدار آماره های R۲، MAE و AARE در مرحله صحت سنجی POD-ANN به ترتیب معادل ۹۳/۰، ۷۹/۰ و ۵۴/۰ بود. بحث و نتیجه گیری: عملکرد بهتر مدل POD-ANN در دبی با مقادیر بالا نسبت به مدل ANN می تواند به دلیل عمل پیش پردازش بر روی متغیرهای ورودی و کاهش تعداد آن ها در مدل POD-ANN در مقایسه با مدل ANN باشد. بنابراین می توان نتیجه گیری نمود که عمل پیش پردازش بر روی متغیرهای ورودی به مدل ANN و کاهش تعداد متغیرهای ورودی به این مدل همراه با بهبود عملکرد آن بوده است.

شبکه عصبی مصنوعی, دبی ماهانه, سد علویان, تجزیه متعامد سره