محمد فرح بخش کریم آبادی - دانشجوی کارشناسی ارشد،گروه مهندسی عمران سازه های هیدرولیکی، واحد سیرجان، دانشگاه آزاد اسلامی، سیرجان، ایران
محمد ذونعمت کرمانی - دانشیار، بخش مهندسی آب، دانشگاه شهید باهنر کرمان، کرمان، ایران

فرآیند بارش - رواناب یک پدیده به طور کامل پیچیده و غیرخطی در آب شناختى می باشد. مدل های مفهومی به طور وسیعی برایمدل سازی بارش - رواناب به کار برده می شوند. با این وجود، این مدل ها نیازمند تعداد زیادی اطلاعات جزئی بوده و کاربرد آ ن ها صرفامحدود به مقیاس منطقه مورد مطالعه می باشد. در مواردی که با کمبود اطلاعات جزئی مواجه هستیم، مدل های جعبه سیاه مانندشبکه های عصبی مصنوعی می توانند برای مدل سازی روابط غیرخطی و پیچیده به کار روند. به منظور شبیه سازی آبنمود بارش- رواناب در حوضه آبخیز سد صفا رود رابر از مدل شبکه عصبی پرسپترون چند لایه (MLP) استفاده شد. ابتدا داده های بارندگی با توجه بهالگوی زمانی بارندگی به شش گروه تقسیم گردیدند. برای هر گروه توزیع بارندگی در چارک های زمانی مختلف، دبی پایه آبنمود، عمقکل بارندگی، عمق بارندگی تا وقوع زمان تمرکز حوضه، تداوم بارندگی و شاخص بارش پیشین به عنوان پارامترهای ورودی مدل شبکهعصبی لحاظ گردید. اطلاعات خروجی مدل شبکه عصبی به صورت دبی اوج آبنمود، زمان وقوع دبی اوج، زمان پایه آبنمود، زمانرسیدن به دبی برابر با 50 و 75 درصد دبی اوج و عرض های آبنمود متناظر با این دبی ها در نظر گرفته شدند. علاوه بر این، برایاطلاعات موجود درگروه های مختلف و با استفاده از توابع محرک مختلف در لایه های پنهان و خروجی شبیه سازی انجام گردید. نتایجنشان دهنده همبستگی قوی بین خروجی های مدل با داده های اندازه گیری شده می باشد. ضرایب همبستگی 0/551 از (RMSE=1/736) برای گروه اول تا 0/694 (RMSE=1/231) برای گروه ششم از اطلاعات حاصل گردید. این همبستگی های قوی نشان می دهدکه در شرایط نبود اطلاعات جزئی، مدل شبکه عصبی مصنوعی می تواند برای شبیه سازی پارامترهای آبشناختى مورد استفاده قرار گیرد.

آبنمود بارش رواناب، الگوی - زمانی بارش، حوضه آبخیز سد صفا رود رابر، مدل شبکه عصبی مصنوعی