fa ارزیابی تأثیر سیگنال‌های مختلف ورودی بر میزان کارایی مدل‌های شبکه عصبی مصنوعی در شبیه‌سازی هوشمند هیدروگراف سیل تخصصي Special پژوهشي Research <p style="DIRECTION: rtl"><font face="arial,helvetica,sans-serif"><font size="2">  تخمین مشخصات هیدروگراف سیل در رودخانه‌ها یکی از مسائل مورد علاقه پژوهشگران علوم آب و هیدرولوژی می‌باشد. در این پژوهش توانایی مدل‌های شبکه عصبی مصنوعی جهت شبیه­سازی هیدروگراف سیل ورودی به سد مخزنی شیرین دره در استان خراسان مورد بررسی قرار گرفته است. بدین منظور تمامی هیدروگراف‌های سیل ثبت شده در ایستگاه هیدرومتری موجود در بالادست مخزن سد گردآوری و مقادیر دبی سیل با استفاده از روابطه مربوطه استاندارد شد. در ادامه چهار الگوی ورودی بر مبنای استفاده از دبی سیل در ساعات گذشته (یعنی 2، 3، 4 و 5 ساعت قبل) طراحی شدند. به منظور بررسی اثر تعداد پارامترهای ورودی بر دقت تخمین، در هر الگو نیز چهار سیگنال بر اساس تأًخیر دبی سیل طراحی و مورد ارزیابی قرار گرفتند. به منظور ارزیابی تأثیر افزایش آموزش مدل در بهبود عملکرد آن، معیارهای آماری متعددی همچون خطای حجم سیل، خطای دبی اوج، خطای زمان تا اوج و معیار ناش- ساتکلیف در هر سیگنال ورودی محاسبه و مورد ارزیابی قرار گرفتند. نتایج نشان می‌دهد که با افزایش زمان تأخیر دقت شبیه­سازی کمتر می­شود. همچنین به ازاء یک زمان تاخیر معین، با افزایش تعداد ورودی‌ها (دبی در ساعتهای قبل)، نیز دقت نتایج افزایش می­یابد. به طوریکه با افزایش تعداد ورودی‌ها در الگوی اول، میزان ضریب ناش- ساتکلیف از مقدار 79/0 به 91/0 برای سیگنال چهارم افزایش یافت. </font></font></p> <font face="TimesNewRomanPSMT"><p align="left">The estimation of flood hydrograph characteristics in natural rivers is of hydrologists interests. In this</p><p align="left">paper, the ability of neural networks for estimation of flood hydrograph to Shirindareh reservoir dam in</p><p align="left">Khorasan province is evaluated. Therefore, all flood hydrograph events of hydrometery station in upstream</p><p align="left">were collected and normalized. It is notable that the flood hydrometery was estimated 2, 3, 4 and 5 hours</p><p align="left">earlier using the flood discharges at 2, 3, 4 and 5 previous hours as model inputs respectively. In each pattern,</p><p align="left">four signals were selected for considering the effect of number of inputs for estimation of flood hydrograph.</p><p align="left">The results show that by increasing the estimation lag time, the accuracy of results decrease and in</p><p align="left">given lag time, by increasing the number of input, the accuracy of results increase. The results show that</p><p align="left">the amount of efficiency coefficients, which is the representation of goodness of flood hydrograph modeling,</p><p>is increased from 0.79 for signal one to 0.91 for signal four.</p></font> هیدروگراف سیل، شبکه عصبی مصنوعی، حوزه آبخیز سد شیرین‌دره، الگوریتم یادگیری و تابع انتقال. Flood Hydrograph, Artificial Neural Network, Shirindarreh Reservoir Dam Basin,Learning Algorithms and Transfer Function. 45 48 http://jwmsei.ir/browse.php?a_code=A-10-1-86&slc_lang=fa&sid=1 hamid pahlevani حمید پهلوانی 1003194753284600513 1003194753284600513 Yes Gorgan University of Agricultural Sciences and Natural دانشگاه علوم کشاورزی و منابع طبیعی گرگان abdol reza Bahremand عبدالرضا بهره مند 1003194753284600514 1003194753284600514 No Gorgan University of Agricultural Sciences and Natural دانشگاه علوم کشاورزی و منابع طبیعی گرگان amir ahmad Dehghani امیر احمد دهقانی a.dehghani@gau.ac.ir 1003194753284600515 1003194753284600515 No Gorgan University of Agricultural Sciences and Natural دانشگاه علوم کشاورزی و منابع طبیعی گرگان