عنوان پایان‌نامه
پیش بینی بارش- رواناب در یک حوضه با بارش متغیر (مکانی) با استفاده از شبکه عصبی مصنوعی
- رشته تحصیلی
- مهندسی عمران - سازه‌های هیدرولیکی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس یک فنی شماره ثبت: 1153.;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 38767
- تاریخ دفاع
- ۳۰ شهریور ۱۳۸۷
- دانشجو
- علی ورمقانی
- استاد راهنما
- رضا غیاثی
- چکیده
- سیل یکی از مهمترین بلایای طبیعی می¬باشد که به نظر می¬رسد، میزان خسارت¬های ناشی از آن به انسان، از سایر بلایا نظیر خشکسالی و قحطی بیشتر است. یکی از راهکارهای کاهش خسارات ناشی از سیل، پیش¬بینی آن می¬باشد. استفاده از شبکه عصبی مصنوعی، یکی از روشهای مناسب برای پیش¬بینی سیل است که در سالهای اخیر، با توجه به قابلیت انعطاف-پذیری آن و عدم استفاده این روش از مشخصات فیزیکی حوضه و روشهای تجربی که دارای خطای زیادی در برآوردها هستند، مورد توجه متخصصین امور آب قرار گرفته است. در این تحقیق، پیش بینی دبی سیل با استفاده از ترکیب ابزار شبکه عصبی مصنوعی و روابط هیدرولوژیک انجام شد. مطالعه موردی آمار یکسال بارش-رواناب حوضه آبریز منطقه May Creek واقع در جنوب دریاچه واشنگتن مورد استفاده قرار گرفت. پارامترهای هیدرولوژیک حوضه آبریز مورد مطالعه، توسط نرم افزار HEC-HMS تخمین زده شدند. جهت پیش بینی سیل با مدل شبکه عصبی، از نرم افزارهای Qnet و ANN استفاده گردید. ارتباطات و معماری های مختلف برای تعیین ساختار شبکه عصبی، مورد بررسی و آزمایش قرار گرفت و در نهایت، ساختار شبکه عصبی به صورت یک شبکه تک لایه با 57 نرون در لایه ورودی و یک نرون در لایه خروجی و سه نرون در لایه مخفی و تابع محرک آرک تانژانت هایپربولیک به عنوان ساختار مناسب انتخاب شد. در الگوی پیش بینی، در هر زمان، بارش های مازاد تا 85 ساعت قبل به همراه دبی پایه به برنامه معرفی شدند. مدل توانست سیلاب واقعی را با خطای کمتر از 3% پیش بینی کند.
- Abstract
- Flood is one of the most important natural disasters which it’s damage to human being seems to be more than other natural disasters, such as drought and famine. Flood prediction is one of the solutions for reducing flood damage. Artificial neural networks is one of the new techniques for flood forecasting that has been recently attended by hydraulic specialists due to it’s flexibility with neither using physical characteristics of a watershed nor empirical methods and the consequent high errors upon estimations. In this thesis, flood discharge was predicted using both artificial neural networks and hydrologic methods. An one-year rainfall-runoff data of May Creek Basin located in the south of the Washington Lake was used as case study. Subbasin hydrologic parameters were determined by HEC-HMS software. Qnet and ANN program were used for flood predicting based on artificial neural networks method. Different connections & structures were tested for optimum neural networks structure achievement. Finally, an one-layer neural networks structure was selected having 57 neurons in input layer and one neuron in output layer, three neurons in hidden layer with arc hyperbolic tangent function. In each time interval, excess rainfalls since 85 years ago along with baseflow were introduced to the software in the forecasting model. The model could predict the real flood discharge with less than 3% error.
