تولید مصنوعی جریان رودخانه با استفاده از شبکه‌های عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 رشناسیارشد، دانشکده مهندسی عمران - و محیط زیست، دانشگاه علم وصنعت ایران

2 استادیار، دانشکده مهندسی عمران و - محیط زیست، دانشگاه علم و صنعت ایران

چکیده

در این مطالعه قابلیت مدل‎های شبکه عصبی مصنوعی در زمینه تولید مصنوعی جریان ارزیابی می‌شود. مدلی که برای تولید مصنوعی بکار رفته با ترکیب مدل شبکه عصبی و یک مؤلفه تصادفی با توزیع نرمال ایجاد شده است. در توسعه مدل از شبکه‌ عصبی چند لایه تغذیه پیشرفتی با الگوریتم آموزشی انتشار برگشتی خطا استفاده شده است.
بر این اساس مدل، سری‌های بلند مدت و تا 300 سال جریان مصنوعی روزانه در رودخانه خرسان را تنها با استفاده از آمار روزانه جریان مشاهداتی در این رودخانه تولید کرده است. به‌منظور ارزیابی قابلیت مدل در تولید جریان، از آماره‌های پایه از قبیل میانگین، انحراف معیار و چولگی و آماره های معرف دوام در سری‌های زمانی از قبیل آماره های خود همبستگی و مقایسه این ویژگی‌ها با در سری های تولیدی و مشاهداتی استفاده شده است که بیانگر توانایی مدل در زمینه تولید مصنوعی جریان و قابلیت شبکه های عصبی مصنوعی در تولید مصنوعی مقادیر روزانه جریان است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Synthetic Streamflow Generation using Artificial Neural Network Models

نویسندگان [English]

  • Mostafa Yeganehfard 1
  • bagher zahabioun 2
1 M.Sc. Department of Civil & Environmental Engineering, Iran University of Science and Technology, Tehran, Iran
2 Associate Professor, Department of Civil & Environmental Engineering, Iran University of Science & Technology, Tehran, Iran
چکیده [English]

In this study, capability of Artificial Neural Network (ANN) models for synthetic streamflow generation is evaluated. The used generating model compouned from ANN model and a random component with normal distribution. In model developing, the multilayer feedforward neural networks and back propagation learning algorithm has been used. Then long term synthetic streamflow series up tp 300 years of daily streamflow, using only observed daily streamflow in Khersan River has been generated. For model assessment, The comparison carried out in respect of different statistics of the historical data and synthetically generated data such as Basic Statistics like mean, standard deviation and skewness and series Persistence Statistics like autoregressives that finaly has shown model’s ability for Synthetic daily streamflow Generation.

کلیدواژه‌ها [English]

  • Artificial Neural Network (ANN)
  • Time Series
  • Synthetic streamflow Generation
  • Random component Random Statistics
[1] منهاج، محمدباقر؛ ” هوش محاسباتی “ )جلد اول: مبانی شبکه های عصبی(، انتشارات دانشگاه صنعتی امیرکبیر،. تهران، 1111
[2] ASCE Task Committee ,“Artificial Neaural Networks in Hydrology, I: Preliminary Concepts”, Journal of Hydrologic Engineering, pp. 115-123, 2000.
[3] ASCE Task Committee ,“Artificial Neaural Networks in Hydrology, II: Hydrologic Applications”, Journal of Hydrologic Engineering, pp. 124-137, 2000.
[4] Box, G. E. P., & Jenkins, G. M. ,“Time Series Analysis Forecasting & Control”, Holden-Day Press, USA, 1970.
[5] Bras, R. L., Rodríguez-Iturbe, I. ,“Random functions & hydrology”, Addison-Wesley, Massachusetts, 1985.
[6] Can, I., Yerdelen, I.C. ,“Stochastic modeling of Karasu River (Turkey) using the methods of Artificial Neural Networks”, Hydrology Days, pp. 138-144, 2007.
[7] Dawson, C.W., Wilby, R. ,“An artificial neural network approach to rainfall–runoff modeling”, Hydrological Sciences Journal, pp. 47–66, 1998.
[8] Govindaraju, R. S. ,“Artificial neural networks in hydrology I: Preliminary concepts”, Journal of Hydrologic Engineering, pp. 115-123, 2000.
[9] Hinton, G. E. ,“How neural networks learn from experience”, Sci. Amer., pp. 144–151,1992.
[10] Karunanithi, N., Grenney, W.J., Whitley, D., Bovee, K. ,“Neural networks for river flow prediction”, Journal of Computing in Civil Engineeirng, pp. 201–220, 1994.
[11] Kisi, O.,“Daily River Flow Forecasting Using Artifcial Neural Networks & Auto-Regressive Models”, Turkish J. Eng. Env. Sci., pp. 9 -20, 2005.
[12] Lehtokangas, M., Saarinen, J., Kaski, K. ,“A network of autoregressive processing units for time series modeling”, Appl. Math. Comput., pp. 151–165, 1996.
[13] Loucks, D.P., Stedinger, J.R., & Haith, D.A. ,“Water resources system planning & analysis”, Prentice Hall, New Jersey, 1981.
[14] Maier, H.R. & Dandy, G.C. ,“Neural networks for the prediction & forecasting of water resources variables: a review of modelling issues & applications”, Environ. Model. Software, pp. 101–124, 2000.
[15] Masters, T. ,“Practical Neural Network Recipes in C++”, Academic Press, 1993.
[16] Minns, A.W., Hall, M.J. ,“Artificial neural networks as rainfall runoff models”, Hydrol. Sci. J., pp. 399–417, 1996.
[17] Mohammadi, K., Eslami, H. R., & Dardashti, Sh., “Comparison of Regression, ARIMA and ANN Models for Reservoir Inflow Forecasting using Snowmelt Equivalent (a Case study of Karaj)”, J. Agric. Sci. Technol., pp. 17-30, 2005.
[18] Ochoa-Riveria, J.C., Garcia-bartual, R., & Reu J., “Multivariate synthetic streamflow generation using a hybrid model based on artificial neural networks”, Hydrol Earth Syst Sci, pp. 641–654, 2002.
[19] Raman, H., & Sunilkumar, N. ,“Multivariate modeling of water resources time series using artificial neural networks”, Hydrol. Sci. J., pp.145–163, 1995.
[20] Salas, J.D., Delleur, J.W., Yevjevich, V. & Lane, W.L. ,“Applied modeling of hydrologic time series”, Water Resources Publications. Colorado, 1980.
[21] Sarma, A.K., Ahmed, J.A. ,“Artificial neural network model for synthetic streamflow Generation”, Water Resour Manage, pp. 1015–1029, 2007.