مدل سازی جریان ماهیانه ورودی به مخزن سدهای ملاصدرا و درودزن توسط شبکه های عصبی مصنوعی و مقایسه با روش معمول زنجیره مارکف

پیش بینی حجم جریان ماهیانه ورودی به مخازن سدها در مدیریت مخزن و برآورد منابع آب آشامیدنی و کشاورزی از اهمیت
ویژه ای برخوردار است. این موضوع در مناطق خشک و نیمه خشک به دلیل فقدان داده های مشاهداتی ضرورتی دوچندان می یابد.
در این مطالعه از شبکه های پرسپترون چندلایه با چهار الگوریتم آموزشی SCG. RP, GDX, LM و تابع محرک تانژانت
سیگموئید جهت پیش بینی حجم جریان ماهیانه ورودی به مخزن سد درودزن (سال های آبی ۱۳۸۸-۱۳۵۵) در استان فارس استفاده 
گردید. هشت ساختار متفاوت از ورودی ها برای آموزش شبکه مورد استفاده قرار گرفت تا حجم جریان ورودی به مخزن را برای
ماه آینده (Vt+۱) پیش بینی کند. همچنین نتایج تحلیل خودهمبستگی نشان داد که داده های حجم جریان، بارش متوسط وزنی،
تبخیر و دبی ایستگاه چمریز با دو ماه تاخیر زمانی بایستی برای مدلسازی و به عنوان داده های ورودی به مدل ها مورد استفاده قرار
گیرند. از میان ساختارهای مختلف توسعه یافته شبکه پرسپترون، ساختار هشتم با توپولوژی ۱-۳-۸ (۸  نزرون در لایه ورودی، ۳
نرون در لایه میانی و یک نرون در لایه خروجی) برای شبیه سازی حجم جریان ماهیانه ورودی به مخزن سد درودزن بهترین نتایج
را بهمراه داشت. مقادیر R۲ و RMSE برای بهترین شبکه آموزش یافته به ترتیب برابر با ۰/۶۴ و ۳۴/۶۰ میلیون متر مکعب می 
باشند. صحت سنجی مدل شبکه پرسپترون و همچنین برنامه پایش و پیش بینی خشکسالی و ترسالی (دوره های کاهش جریان و
افزایش جریان بر اساس مدل مارکف) نشان داد که هر دو مدل به خوبی توانسته اند شرایط رطوبتی خشکسالی را تشخیص داده و
مدل شبکه پرسپترون در مواردی مقادیر حجم جریان را بسیار نزدیک به واقعیت شبیه سازی کرده است. بنابراین مدل توسعه یافته و
رابط گرافیکی کاربر (GUI) که بدین منظور در محیط نرم افراز MATLAB ارائه گردیده است می تواند به مدیریت بهینه منابع
آب، تامین آب شرب و تخصیص آب کشاورزی کمک شایانی داشته باشد.

Keywords:

جریان ماهانه ورودی , شبکه عصبی مصنوعی , پرسپترون چند لایه , سد درودزن , سد ملا صدرا , مدیریت مخزن