Abstract:
تحقیق حاضر به مقایسه دو مدل شبکه عصبی مصنوعی و رگرسیون چند متغیره در تخمین دبی حداکثرخروجی با استفاده از داده های بارش و دبی روزانه پرداخته است. در این راستا حوضه آبخیز مادرسو با مساحت 2364.96 کیلومتر مربع در استان گلستان به دلیل شدت سیل خیزی زیاد انتخاب گردید.
برای ارزیابی مدل شبکه عصبی مصنوعی در پیش بینی سیلاب و دبی حداکثر سیلابی از نرم افزار QNET2000 استفاده گردید در تحقیق حاضر از شبکه عصبی مصنوعی MLP سه لایه با الگوریتم آموزش پس انتشار خطا استفاده شد. تعداد گره های ورودی مدل (لایه اول شبکه)انتخاب شد(5گره) و تعداد گره های موجود در لایه مخفی به کمک سعی و خطا تعیین شد. در این مطالعه، برای هر یک از الگوهای ورودی، تعداد مختلفی گره در لایه مخفی (4 تا 7) و یک گره برای لایه خروجی در نظر گرفته شد. داده های مورد استفاده در رگرسیون چند متغیره نیز داده های روش شبکه عصبی مصنوعی بوده است. بررسی نتایج نشان می دهد که مدل شبکه عصبی مصنوعی در مرحله آموزش به تعداد لایه میانه حساس نبوده ولی در مرحله کالیبراسیون، مدل با تعداد لایه میانی 5 عملکرد نسبی بهتری را نشان داده است و در مجموع در مقایسه با روش رگرسیون چند متغیره بسیار بهتر عمل نموده است
Machine summary:
دادههای مورد استفاده در رگرسیون چند متغیره نیز داده های روش شبکه عصبی مصنوعی بوده است .
استاد گروه جغرافیا، دانشگاه خوارزمی مقدمه امروزه مدل شبکه عصبی مصنوعی در بخش های مختلف علوم به منظور مدل سازی روابط پیچیده غیرخطی به کار گرفته می شود و تا حدودی جایگزین مدلهای آماری شده است زیرا شبکه های عصبی مصنوعی بدون نیاز به حل معادلات دیفرانسیل جزئی ، غیرخطی بودن فرایند مورد نظر را شبیه سازی می نمایند و حتی زمانیکه مجموع داده های آموزشی حاوی داده های خطادار باشد، عملکرد مناسبی را نشان می دهند و برخلاف مدلهای بر اساس چند رگرسیونی (مدلهای آماری) نیاز به انتخاب اولیه شکل تابع ریاضی مرتبط کننده ورودی و خروجی سیستم وجود ندارد (دامنگیر، ١٣٨٠).
بحث و نتایج برای دستیابی به اهداف نهایی این تحقیق ، کلیه ضرایب و پارامترهای مورد نیاز در مدلها به کار گرفته شد و جهت ارزیابی و نظیرسازی بارش ـ رواناب مراحل مختلف آن از قبیل واسنجی (کالیبراسیون)، صحت یابی و بهینه سازی و آزمون مؤلفه ها و نتایج به دست آمده برای سیلابهای منتخب به وسیله هر دو روش (شبکه عصبی مصنوعی ، رگرسیون چند متغیره ) در سطح حوضه آبخیز مادرسو انجام شد.
لذا، به طور کلی چنین می توان نتیجه گرفت که مدل شبکه عصبی مصنوعی در مرحله آموزش به تعداد لایه میانه حساس نبوده ولی در مرحله کالیبراسیون مدل با تعداد لایه میانی ٥ عملکرد نسبی بهتری را نشان داده است و در مجموع در مقایسه با روش رگرسیون چند متغیره بسیار بهتر عمل نموده است .