شبیه سازی و پیش‌بینی جریان رودخانه‌ها با استفاده از شبکه عصبی و مدل فوریه

نوع مقاله : مقاله پژوهشی

نویسندگان

1 استادیار /دانشگاه صنعت آب و برق (شهید عباس‌پور)

2 شرکت مدیریت منابع آب ایران

3 کارشناس /گروه پژوهشی جاماب

چکیده

  مقاله حاضر به بررسی نحوه عملکرد شبکه‌های عصبی MLP در ارتباط با خروجی مدل فوریه، FSAM، می‌پردازد. مدل FSAM که مدل شبیه ساز بارش است، تحلیل مدل‌های کلاسیک را در قلمرو فرکانس، که توسعه نظریه طیفی فرآیندهای متداول نظیر طیف الگوهای ARIMA را در درون خود دارد، ارائه می‌دهد. کاربرد همزمان شبکه‌های عصبی MLP و مدلFSAM، امکان پیش بینی جریان ماه (i) ام را در ارتباط با پیش بینی بارش همان ماه، میسر می‌سازد. بدلیل اینکه یکی از متغیرهای مستقل توابع شبیه سازی دبی، دما می‌باشد شبیه سازی دما توسط دوازده شبکه عصبی MLP برای شبیه سازی دوازده ماه سال بطور مجزا انجام گردید، تا بدین ترتیب بتوان از این شبکه‌ها برای تخمین دما در ماه‌هایی که پیش‌بینی در آنها مد نظر است و داده‌های دما موجود نمی‌باشند، استفاده کرد. این مقاله نتایج و تحلیل علمی لازم را ارائه خواهد داد.
 

کلیدواژه‌ها


عنوان مقاله [English]

Simulation and Forecasting of River Flow Using Neural Network and a Fourier Series Model

نویسندگان [English]

  • N Rostam Afshar 1
  • H Fahmi 2
  • A. R Pireh 3
1 Assistant Professor, Shahid Abbaspoor University, Iran
2 Water Resources Management Company, Iran
3 Jamab Consulting Engineers, Tehran, Iran
چکیده [English]

This paper shows concurrent application of The Artificial Neural Network (ANN) model with Fourier Series ARIMA Model (FSAM).The FSAM model represent spectral analysis of precipitation of Barandooz river basin in west of Lake Urmia for simulation of river flow. Neural network are applied for simulation and forecasting of Barandooz river based on FSAM forecasts in the absence of precipitation data. Because temperature is one of the independent variables in the simulation model, generation of temperature data was carried out by twelve MLP Neural networks, one for each month. The analysis and results are presented in this paper. 
 

کلیدواژه‌ها [English]

  • River Flow
  • Neural Network
  • Simulation
  • Forecasting
افشار، ن. ر، فهمی، ه.(1376).گزارش پیش‌بینی بارش کل کشور. سازمان تحقیقات منابع آب.
 منهاج، م. ب. (1379). مبانی شبکه‌های عصبی. دانشگاه صنعتی امیر کبیر، جلد اول.
نیرومند، ح. ع. (1376). تحلیل سری‌های زمانی، دانشگاه فردوسی مشهد.
Howard, D. and Mark, B. (2001). User’s Guide for Neural Network Toolbox with Matlab. Version 6.1.
Kuo, L. H., Hoshin, V. G. and Sorooshian, S. (1993). Artificial Neural Network Modeling of the Rainfall-Runoff Process. Water Resources Research. 29(4): pp. 1185-1194.
Nguyen, T. D., Huynh, H. P. and Ashim, D. S. (1999). Neural Network Models For Flow Forecasting, Water SA 25(1): pp. 33-39.