تاریخ انتشار : یکشنبه 28 فروردین 1401 - 9:13
281 بازدید
کد خبر : 385

استفاده از هوش مصنوعی در مدل‌سازی فرایند بارش – رواناب

استفاده از هوش مصنوعی در مدل‌سازی فرایند بارش – رواناب

ایسنا/اصفهان در پژوهشی بر اساس استفاده از هوش مصنوعی در مدل سازی فرایند بارش-رواناب، نشان داده شد که این نوع شبیه سازی یکی از روش های تخمین روانـاب و ابزاری مناسب بـرای مطالعـه فراینـدهای هیـدرولوژیک و ارزیابی منابع آب است. پیش‌بینی رواناب یک موضوع تحقیقی فعال و اجتناب ناپـذیر در زمینه هیدرولوژی آب‌های سطحی بوده و

ایسنا/اصفهان در پژوهشی بر اساس استفاده از هوش مصنوعی در مدل سازی فرایند بارش-رواناب، نشان داده شد که این نوع شبیه سازی یکی از روش های تخمین روانـاب و ابزاری مناسب بـرای مطالعـه فراینـدهای هیـدرولوژیک و ارزیابی منابع آب است.

پیش‌بینی رواناب یک موضوع تحقیقی فعال و اجتناب ناپـذیر در زمینه هیدرولوژی آب‌های سطحی بوده و همچنان به خاطرعدم قطعیت‌های موجـود در پارامترهـای هواشناسـی و هیـدرولوژی مسئله‌ای پابرجا است. این مسئله یکی از نیازهای عمده در طراحی پروژه‌های آبخیزداری و منابع آب است که برای برآورد آن از روش‌های مختلف استفاده مـی‌شـود.

فراینـد بـارش –روانــاب از اساســی تــرین و تأثیرگــذارترین فراینــدهای علــم هیدرولوژی محسوب می‌شود و یکی از مهمترین اجزای چرخه هیدرولوژی است. با توجه به محـدودیت منـابع آب شیرین، پیش‌بینی و مدلسازی صحیح این فرایند برای مـدیریت منابع آب و کاهش خسارات سیل ضروری است.

در پژوهشی که توسط یاروسلاو کرمانسکی، محمود حبیب نژاد روشن، کاکا شاهدی و سیدحسین روشان انجام شد، عملکرد روش‌های هوش مصنوعی ANN و SVM در مدلسازی فرایند بارش – رواناب  (مطالعه موردی: حوضه آبخیز کارون شمالی) مقایسه شد.

در این تحقیق، به منظور شبیه سازی فرایند بارش– رواناب از داده‌هـای بـارش و دبـی جریـان در دوره زمانی ۱۳۹۶ -۱۳۷۶ استفاده شد. بعد از کنترل کیفی و صحت داده‌ها، تأخیر بارش و دبی با استفاده از ضرایب خودهمبستگی، خود همبسـتگی جزئی و همبستگی متقارن در نرم افزار Studio R مشخص شد. سپس پارامترهای مؤثر و ترکیب بهینه نیز بهروش آزمون گاما تعیین و بـرای اجـرای مدل تحت سه سناریوی مختلف در نرمافزار MATLAB مورد استفاده قرار گرفتند.

نتایج این پژوهش نشان می دهد که استفاده از روش های نوین هـوش مصـنوعی در شـبیه سـازی فرایند بارش– رواناب برای بررسی خصوصـیات سـیلاب هـا قبل از زمان رسیدن به دبی و زمان وقوع اوج متـداول شـده است. همچنین  نتایج آزمون گاما نشان داد که پارامترهـای بـارش روز جـاری، بارش یک روز قبل، دبی روز قبل و دو روز قبل دارای بیشترین تأثیر در دبی خروجی حوضه هستند.

این نوع شبیه سازی یکی از روش های تخمین روانـاب و ابزاری مناسب بـرای مطالعـه فراینـد های هیـدرولوژیک و ارزیابی منابع آب هستند. نتـایج ایـن مطالعـه مـی‌توانـد در تصــمیم گیرهــای مــدیریت صــحیح منــابع آب بــه خصــوص جریان‌های سـطحی، مطالعـه مربـوط بـه حساسـیت سـیلاب و هشدار سیل، انتخاب مدل بهینه برآورد رواناب ناشی از بـاران و مطالعات مربوط به مهندسی رودخانه و طراحی سازه هـا بـه کـار گرفته شود.

نتایج پژوهش «مقایسه عملکرد روشهای هوش مصنوعی ANN و SVM در مدلسازی فرایند بارش – رواناب (مطالعه موردی: حوضه آبخیز کارون شمالی)» در شماره دوم نشریه علوم آب و خاک دانشگاه صنعتی اصفهان تابستان ۱۴۰۰ منتشر شد.

انتهای پیام

ارسال نظر شما
مجموع نظرات : 0 در انتظار بررسی : 0 انتشار یافته : ۰
  • نظرات ارسال شده توسط شما، پس از تایید توسط مدیران سایت منتشر خواهد شد.
  • نظراتی که حاوی تهمت یا افترا باشد منتشر نخواهد شد.
  • نظراتی که به غیر از زبان فارسی یا غیر مرتبط با خبر باشد منتشر نخواهد شد.

دیدگاه