مصطفی رضوانی - فارغ التحصیل کارشناسی ارشدمهندسی عمران مکانیک خاک، دانشگاه آزاد مراغه، ایران -
سینا محمدزاده سالیانی - دانشجوی کارشناسی ارشدمهندسی عمران راه و ترابری، دانشگاه صنعتی امیرکبیر، ایران -
الهه صفری قلعه کلی - دانشجوی کارشناسی ارشد مهندسی عمران راه و ترابری، دانشگاه صنعتی امیرکبیر، ایران -

توزیع غیریکنواخت مکانی و زمانی بارش نزولات جوی در سطح ایران و پدیده تغییر اقلیم منجر به وقوع سیلاب ها و خشکسالی های متعدد و خسارات گسترده ناشی از آن شده است. این امر به سهم خود منجر به گسترش توجهات به تحقیقات در زمینه مدیریت بهینه منابع آبی شده است. مدیریت کارآمد و بهینه مخازن سدها به کمک پیش بینی دقیق جریان ورودی به آنها نقش مهمی در توسعه پایدار منابع آب ایفا میکند. ایجاد تغییرات گسترده در جریان های ورودی به مخزن که می تواند ناشی از تغییرات اقلیمی و اتخاذ سیاست های مدیریت منابع آب ناکارآمد باشد، منجر به بروز عدم قطعیت در بهره برداری از مخازن آب می شود که لزوم تدقیق جریان ورودی به مخازن را آشکار می سازد. به طور کلی، در زمینه پیش بینی سری های زمانی شبکه های عصبی خود بازگشتی مدل های کارآمدتری از شبکه های پرسپترون چندلایه هستند. از آنجایی که شبکه های عصبی خود بازگشتی دارای حافظه پنهان هستند، می توانند برای آموزش الگوهای خاص وابسته به زمان یا دارای توالی های زمانی با موفقیت به کار گرفته شوند. لذا، در این مقاله سعی شده است تا کارکرد مدل های مختلف شبکه عصبی خود بازگشتی در پیش بینی جریان ورودی به مخزن سد سفیدرود در ابعاد زمانی ماهیانه مورد بررسی قرار گیرد. همان گونه که ذکر شد این پیش بینی می تواند نقش مهمی در بهبود مدیریت و بهینه سازی مخازن سدها ایفا نماید.

پیش بینی روانآب، شبکه عصبی مصنوعی، شبکه پرسپترون چندلایه، شبکه عصبی خودبازگشتی