فرشید سلمانی - دانشجوی کارشناسی ارشد عمران - آب،دانشگاه آزاد اسلامی واحد شوشتر
سعید شعبانلو
حسین فتحیان
احسان دریکوند

لزوم پیش بینی جریان در رودخانه ها، در مدیریت صحیح منابع آب جهت مصارف کشاورزی، شرب، صنایع، جریانات ورودی به مخازن سد، همچنین ساماندهی رودخانه ها و سامانه های هشدار سیل و... و نمود بارز اثرات اقتصادی، اجتماعی و فرهنگی آن در جامعه، همواره مهندسین رودخانه و محیط زیست را به سمت مدلهای با قابلیت پیش بینی با سرعت پاسخگویی بالا و درصد خطای پایین سوق داده است .لذا مدلهای نوین شبکه عصبی مصنوعی (ANNS)به عنوان مدلهای تجربی که به مدلهای جعبه سیاه معروفند با قابلیت مدلسازی پدیده های غیر خطی ضمن برآورده کردن این نیازها ونیز بدون نیاز به پارامترهای گوناگون و... از دیگر همتایان سنتی خود همچون مدلهای رگرسیونی و سری زمانی سبقت گرفته و نگاه کارشناسان حوزه منابع آب را به سوی خود معطوف داشته است. در این پژوهش از آمار هیدرومتری و هواشناسی(بارش، دبی و تبخیر) 23سال آبی درمقیاس زمانی ماهانه بر روی رودخانه گاماسیاب و همچنین از نرم افزار MATLABویرایش 7.8 در شاخه Neural Networkجهت مدلسازی بهره گرفته شده است. الگوهای متفاوتی از داده ها بعنوان پارامترهای ورودی شبکه های پس انتشار پیشخور(FFBP) که شبکه های چندلایه پرسپترون هم نامیده می شوند مورد بررسی قرار گرفته است. نتایج حاصله بیانگر قابلیت بالای مدل در الگوهایی که از پارامترهای ورودی دبی و بارش ایستگاههای بالادست و تبخیر در نقطه خروجی استفاده گردیده است می باشد

پیش بینی جریان، شبکه عصبی مصنوعی، پس انتشار