1403/01/09
جمیل بهرامی

جمیل بهرامی

مرتبه علمی: استادیار
ارکید:
تحصیلات: دکترای تخصصی
اسکاپوس: 37123382200
دانشکده: دانشکده مهندسی
نشانی: ایران سنندج صندوق پستی 416
تلفن: 087133665310

مشخصات پژوهش

عنوان
مدلسازی بارش رواناب با استفاده از شبکه عصبی مصنوعی و مدل HEC- HMS و ارزیابی آنها (مطالعه موردی: حوضه آبخیز آدینان سقز)
نوع پژوهش
مقاله ارائه شده کنفرانسی
کلیدواژه‌ها
بارش-رواناب، شبکه عصبی مصنوعی، مدل HEC-HMS، الگوریتم پس از انتشار خطا، حوضه آدینان
سال 1395
پژوهشگران سیروان نیلی ، سید امیر حسینی ، جمیل بهرامی ، کامران چپی

چکیده

یکی از چالشها و اهداف عمده در هیدرولوژی مهندسی تعیین یک مدل بارش- رواناب مناسب جهت مشخص کردن پاسخ حوضه نسبت به یک بارش مشخص با استفاده از پارامترهای موجود در مدل است. پاسخ حوضه تابعی از مشخصات حوضه آبریز و مقادیر پارامترهای مدل است. در پژوهش حاضر برای مدلسازی فرایند بارش رواناب در سطح حوضه آدینان با بهره گیری از داده های مشاهده ای از مدل HEC-HMS و روش شبکه های هوشمند (شبکه عصبی مصنوعی) ANN استفاده شد و مورد بررسی قرار گرفت. مقادیر رواناب برآورد شده از مدل HEC-HMS و مدلهای هوشمند عصبی مقایسه گردید. در این تحقیق عملکرد مدل ها از معیارهای عملکرد شامل ضریب همبستگی (R2 ) میانگین مربعات خطا (RMSE ) ، Nash-sutcliffe استفاده شد. با بررسی عملکرد مدل HEC-HMS ضریب همبستگی در مرحله واسنجی و صحت-سنجی 73/0 و 72/0 به دست آمد همچنین معیار NASH و RMSE به ترتیب در دو مرحله واسنجی و صحت سنجی 736/0، 81/15 و 713/0 ، 89/10 به دست آمد. شبکه ی عصبی مصنوعی با الگوریتم پس از انتشار خطا در بهترین ساختار خود میانگین مربعات خطای مدل در مراحل مختلف آزمایش، صحت سنجی و آزمون به ترتیب 41/0، 79/0و53/0 و ضریب همبستگی 98/0، 98/0 و96/0 می باشد که نشان از همبستگی بالا و معنی داری بین مقادیر مشاهده ای و مقادیر پیش بینی دارد. در نتیجه میان دو روش مقایسه عملکرد شبکه و مدل به کار رفته شده نشان می دهد که دقت ANN بیشتر از HEC-HMS است.