1403/01/10
کامران چپی

کامران چپی

مرتبه علمی: دانشیار
ارکید:
تحصیلات: دکترای تخصصی
اسکاپوس: 55345306000
دانشکده: دانشکده منابع طبیعی
نشانی: استان کردستان - سنندج - بلوار پاسداران - دانشگاه کردستان - دانشکده منابع طبیعی - گروه مهندسی طبیعت - صندوق پستی 416 - کد پستی 6617715175
تلفن: +98-8733627721 Ext. 4321

مشخصات پژوهش

عنوان
مدل سازی بارش- رواناب با استفاده از روش های هوشمند و مقایسه با مدل هیدرولوژیکی HEC_HMS (مطالعه موردی: حوضه آدینان سقز )
نوع پژوهش
پایان نامه
کلیدواژه‌ها
بارش-رواناب، شبکه عصبی مصنوعی، مدل HEC-HMS، الگوریتم پس از انتشار خطا، حوضه آدینان
سال 1394
پژوهشگران سیروان نیلی(دانشجو)، جمیل بهرامی(استاد راهنما)، کامران چپی(استاد مشاور)

چکیده

یکی از چالش ها 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 مدل های هوشمند عصبی مقایسه گردید. در این تحقیق عملکرد مدل ها از معیارهای عملکرد شامل ضریب تعیین (R2 ) میانگین مربعات خطا (RMSE ) ، Nash-sutcliffe استفاده شد. با بررسی عملکرد مدل HEC-HMS ضریب تعیین در مرحله واسنجی و صحت سنجی 0.73 و 0.72 به دست آمد. همچنین معیار NASH و RMSE به ترتیب در دو مرحله واسنجی و صحت سنجی 0.736، 15.81 و 0.713 ، 10.89 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 تعیین98/0، 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.