الگوریتم ترکیبی شبکه عصبی و ژنتیک راهی برای برآورد دبی سیلاب

برآورد سریع و صحیح دبی اوج به عنوان یکی از مباحث اصلی در مدیریت منابع آبی و سیلاب نقش اساسی در طراحی سازه های آبی و اقدامات بیو مکانیکی در حوضه های آبخیز دارد. به طوریکه یک برآورد صحیح آن نقش اساسی در موفقیت کار های اجرایی دارد. در این بررسی سعی شده با استفاده از روش هوش مصنوعی(ترکیب شبکه عصبی پرسپترون چند لایه و الگوریتم ژنتیک) دبی حداکثر رودخانه یلفان در محل ایستگاه هیدرومتری و رسوب سنجی یلفان برآورد گردد. به این منظور در این دو مدل 8 متغییر که شامل بارندگی مربوط به روز وقوع سیل، بارندگی های 5 روز قبل، دبی پایه در روز وقوع سیل وcn حوضه به عنوان پارامتر های ورودی و دبی پیک به عنوان خروجی در نظر گرفته شده است. سپس با استفاده از روش هوش مصنوعی و پیش پردازش داده ها، ساختار بهینه مدل با استفاده از داده های ورودی و خروجی و با ملاک قرار دادن معیار های ارزیابی، به روش سعی و خطا تعیین گردید. در نهایت در مدل تلفیقی شبکه عصبی و الگوریتم ژنتیک، پس از تعیین مدل بهینه شبکه عصبی، نتیجه مدل به الگوریتم ژنتیک وارد گردید. نتایج نشان داد که مدل ترکیبی شبکه عصبی و الگوریتم ژنتیک عملکرد خوبی در برآورد دبی سیلاب در حوزه یلفان دارد.

The combination of neural networks and genetic algorithms is a way to estimate the Peak flood

Fast and accurate estimation in Peak flow is one of the major issues in water resources management that have basic role in the design of hydraulic structures and biological activities in basins. So that a proper assessment has a basic role in the success of administrative tasks. In this paper, using artificial intelligence methods (Multilayer Perceptron Neural Network and The mixture of Multilayer Perceptron Neural Network with genetic algorithm) to estimate yalfan river, s peak discharge in Yalfan,s sediment and hydrometer local station. For these two models, 8 variables have been considered as the inputs that includes Flooding rain,5 days rainfall that occurs before of the flooding day, cure number of the basin(CN) and basic discharge and finally peak discharge is consider as the output. In the artificial intelligence after preprocessing of the data, the optimal structure of the model is determined with input and output data, Evaluation Criteria and trial and error. In the final the mixture of artificial network and genetic algorithm that the neural network has been a input role, have been a good performance in runoff forecasting in Yalfan Basin.