نوع مقاله : مقاله پژوهشی

نویسندگان

• مهدی سپهری ¹
• سید عباس عطاپور فرد ²
• علی‌رضا ایلدرومی ³
• حمید نوری ⁴
• صبا گودرزی ¹
• محمد مهدی آرتیمانی ⁵
• مرتضی سلگی ⁵

¹ کارشناس ارشد آبخیزداری، دانشکده منابع طبیعی، دانشگاه ملایر

² استادیار، پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران

³ دانشیار، دانشکده منابع طبیعی، دانشگاه ملایر

⁴ استادیار، دانشکده منابع طبیعی، دانشگاه ملایر

⁵ کارشناس ارشد، بخش تحقیقات آبخیزداری و منابع طبیعی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان همدان، سازمان تحقیقات، آموزش و ترویج کشاورزی، همدان، ایران

چکیده

برآورد دبی ­اوج به‌عنوان یکی از مباحث اصلی در مدیریت منابع آبی و سیلاب  نقش اساسی در طراحی سازه‌­های آبی و اقدامات بیومکانیکی در حوزه­‌های آبخیز دارد، به‌طوری ‌که برآورد صحیح آن نقش اساسی در موفقیت کار­های اجرایی دارد. در این بررسی، سعی شده با استفاده از روش‌­های هوش مصنوعی (شبکه عصبی MLP، ترکیب شبکه عصبی MLP و شبکه SOFM، GRNN، ترکیب خوشه‌بندی FCM و ANFIS) دبی بیشینه رودخانه یلفان در محل ایستگاه هیدرومتری برآورد شود. به این منظور، در این دو مدل هشت متغیر که شامل بارندگی مربوط به روز وقوع سیل، بارندگی‌­های پنج روز قبل، دبی پایه در روز وقوع سیل و CN حوضه به‌عنوان پارامتر­های ورودی و دبی پیک به‌عنوان خروجی در نظر گرفته شده است. سپس، با استفاده از روش هوش مصنوعی و پیش پردازش داده‌­ها، ساختار بهینه مدل‌ها با استفاده از داده‌­های ورودی و خروجی و با ملاک قراردادن معیار­های ارزیابی، به روش سعی و خطا تعیین شد. نتایج نشان داد که  شبکه عصبی پرسپترون چند لایه (MLP) عملکرد بهتری در برآورد دبی سیلاب نسبت به مدل ترکیبی ANFIS+FCM ،MLP+SOFM ،GRNN در حوضه یلفان دارد.

کلیدواژه‌ها

• خوشه‌بندی
• دبی اوج
• شبکه ‌عصبی
• ANFIS
• GRNN
• MLP
• SOFM

عنوان مقاله [English]

Evaluation of artificial intelligence in flood estimation

نویسندگان [English]

• Mehdi Sepehri ¹
• Seyyed Abbas Atapourfard ²
• Alireza Ildoromi ³
• Hamid Nori ⁴
• Saba Goodarz ¹
• Mohammadmehdi Artimani ⁵
• Morteza Solgi ⁵

¹ MSc, Faculty of Natural Resources, Malayer University, Iran

² Assistant Professor, Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran

³ Associate Professor, Faculty of Natural Resources, Malayer University, Iran

⁴ Assistant Professor, Faculty of Natural Resources, Malayer University, Iran

⁵ MSc, Soil Conservation and Watershed Management Research Department, Hamedan Agricultural and Natural Resources Research and Education Center, AREEO, Hamedan, Iran

چکیده [English]

Peak flow estimation is one of the major issues in water resources and flood management that have basic role in the design of hydraulic structures and biomechanics activities in basins. So that a proper assessment has a basic role in the success of administrative works. In this paper, using artificial intelligence methods (MLP Neural Network, the mixture of SOFM with MLP, the mixture of FCM with ANFIS) to estimate Yalfan River^’s peak discharge in hydrometer local station. For these models, eight variables have been considered as the inputs that includes rainfall amount in the occurrence time of flood, rainfall of five days ago from occurrence of flood, curve number of the basin (CN), basic discharge and finally peak discharge are considered as the output. In the artificial intelligences after preprocessing of the data, the optimal structure of the models are determined with input and output data, evaluation criteria and trial and error. At the end, the MLP model had better performance compared to ANFIS+FCM, MLP+SOFM, GRNN models.

کلیدواژه‌ها [English]

• ANFIS
• Clustering
• GRNN
• MLP
• Neural network
• Peak flow
• SOFM
• Yalfan