پرویز فتحی

پیش بینی دقیق مقدار دبی متوسط ماهانه ورودی به منابع آبی نظیر سدها، نقشی اساسی در برنامه ریزی، مدیریت و بهره برداری بهینه و پایدار آنها ایفا می کند. با مشخص شدن مقدار دبی ورودی به سد، می توان حجم سالانه آب ورودی به آن را محاسبه کرد و برای تخصیص بهینه آب به بخش های مختلف مصرف نظیر آب آشامیدنی، کشاورزی، تولید انرژی برق- آبی و... به خوبی برنامه ریزی کرد. پارامترهای مختلفی بر میزان دبی ورودی به سد تأثیرگذار هستند. این پارامترها کاملاً شناخته شده نبوده، ارتباط آنها با دبی ورودی پیچیده و غیرخطی است. بنابراین ارائه رابطه تحلیلی و ریاضی از این ارتباط، مشکل و غیرعملی است. شبکه های عصبی مصنوعی به علت خصوصیات منحصربه فرد خود دارای قابلیت بالایی در شبیه سازی روابط غیرخطی و پیچیده می باشند. در این تحقیق سعی شده است با تبیین ویژگ یهای شبکه عصبی مصنوعی، شبکه از نوع پرسپترون 1 چند لایه با قانون یادگیری پس انتشار خطا برای بازیابی ارتباط غیرخطی مابین متغیرهای مستقل و وابسته طراحی گردد تا به کمک آن تخمین هوشمند دبی متوسط ماهانه ورودی به سد قشلاق میسر گردد. با مقایسه نتایج حاصل از مدل شبکه عصبی و روش تجربی خوسلا، عملکرد مدل پیشنهادی ارزیابی و سنجیده شد. نتایج حاصل از تحقیق نشان داد که انطباق قابل قبولی مابین مقادیر پیش بینی شده با شبکه عصبی مصنوعی و داده های مشاهداتی وجود دارد. نتایج همچنین نشان داد که مدل شبکه عصبی پیشنهادی و روش خوسلا به ترتیب با حداقل خطای میانگین مربعات خطا 1.49 و 11.88، مقدار دبی متوسط ماهانه را پیش بینی می نماید