بررسی مقایسه ای پارامترهای تاثیر گذار بر جریان ورودی ماهانه به یک سد مخزنی با بکارگیری روش های فرا مدل

مدلسازی جریان ورودی به مخزن سد از مهمترین گام ها در مدیریت آبخیزداری حوزه ها، بهره برداری ازمخازن سدها، سیستم های هشدار سیل، اولویت بندی حوزه ها از نظر میزان فرسایش و رسوبگذاری   می باشند. مدیریت بهره برداری بهینه از سامانه های منابع آب نظیر مخازن سدها، مستلزم ارتقاء دقت پیش بینی جریان ورودی به آن ها است. به همین دلیل ضروری است که مقدار این پارامتر به طور دقیق تخمین زده شود. به منظور پیش بینی جریان ورودی به مخزن سد، روش های متعددی توسعه یافته اند. در تحقیق حاضر از روش های هوشمند ماشین بردار پشتیبان (svm) و سیستم استنتاج تطبیقی عصبی- فازی (anfis) جهت تخمین میزان جریان ورودی به مخزن سد ستارخان استفاده شده است و نرخ تاثیر پارامترهای ورودی مختلف از قبیل بارش، دبی و دمای ماهیانه در دقت مدل ها مورد تحلیل قرار گرفته است. نتایج حاصله کارایی بالای روش های فرامدل را در تخمین جریان ماهیانه ورودی به مخزن سد ستارخان نشان داد. ﺑﻬﺘﺮﻳﻦ نتایج برای داده های آزﻣﻮن، در حالت مدلسازی بر اساس دبی و بارش ماهیانه مقادیر  r=0.878، dc=0.782،rmse=0.063  و در حالت مدلسازی بر اساس دما، بارش و دبی ماهیانه مقادیر r=0.805، dc=0.708 وrmse=0.108  به دست آمدند. مطابق با نتایج مشاهده گردید که مدل با پارامترهای ورودی دبی و بارش ماهیانه منجر به جواب های دقیق تری می گردد. 

comparative study of effective parameters on monthly inflow of a reservoir dam via meta model approaches

modeling of water flowing into dam reservoir is one of the most important steps in watershed management, exploitation of dams, flood warning systems, and priority areas for erosion and sedimentation. in fact, optimal management of water resource systems, such as dams requires the accurate prediction of inflow into the dam reservoir. therefore, it is essential to estimate this parameter more accurately. several methods have been developed to predict the dam reservoir inflow. in the current study, the intelligent support vector machine (svm) and nero-fuzzy adaptive inference system (anfis) methods are used to estimate the inflow rate of the sattarkhan dam and the effect of different input parameters such as monthly precipitation, discharge and temperature on improving the models accuracy is investigated. the results showed the desired efficiency of the meta model approaches in estimating the monthly inflow into the sattarkhan dam reservoir. the best results for the test data, in the state of modeling based on monthly discharge and precipitation was obtained the values of r= 0.878 dc= 0.782, rmse= 0.063 and in the state of modeling based on monthly temperature, precipitation and discharge was obtained the values of r= 0.805, dc= 0.708 and rmse= 0.108 were obtained. according to the results, the model with the parameters of the monthly discharge and precipitation leads to more accurate results.