شبیه‌سازی جریان روزانة ورودی به سد طالقان با استفاده از مدل‌های همراشتین-واینر

نوع مقاله : مقاله پژوهشی

نویسندگان

1 1. دکتری مهندسی آبیاری و زهکشی گروه مهندسی آبیاری و آبادانی، دانشکدة مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج - ایران. 2. مرکز تحقیقات و توسعه، سازمان اتکا.

2 استاد گروه مهندسی آبیاری و آبادانی، دانشکدة مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج - ایران.

3 استادیار گروه مهندسی آبیاری و آبادانی، دانشکدة مهندسی و فناوری کشاورزی، پردیس کشاورزی و منابع طبیعی، دانشگاه تهران، کرج - ایران.

چکیده

سیستم‌های همراشتین - واینر از جمله مدل‌هایی هستند که توانایی تشریح سیستم‌های دینامیک غیرخطی را دارند. این مدل‌ها، مدل‌هایی غیرخطی‌اند که به‌واسطة سادگی و مفهوم فیزیکی‌شان، در دامنة وسیعی از علوم کاربرد دارند. در این تحقیق، برای اولین بار در حوزة هیدرولوژی و مدیریت منابع آب، سه ساختار مختلف از این مدل‌ها به‌منظور شبیه‌سازی جریان روزانة ورودی به مخزن سد طالقان با استفاده از داده‌های روزانة دما و بارندگی به‌عنوان ورودی‌های مدل توسط آماره‌های R2، RMSE، SRMSE، MAE، d و PEP ارزیابی شدند. به‌این‌منظور، از اطلاعات مخزن سد طالقان بین سال‌های 1385 تا 1390 استفاده شد. نتایج این ارزیابی با پیش‌پردازش اطلاعات (HW1) و بدون پیش‌پردازش اطلاعات (HW2)، با عملکرد دو مدل شبکة عصبی مصنوعی پیشخور با دو لایة مخفی (FeedF2) و شبکة عصبی رگرسیون تعمیم‌یافته (GRNN2) مقایسه شد. نتایج نشان داد که براساس همۀ شاخص‌ها، عملکرد مدل‌های همراشتین - واینر از مدل‌های شبکة عصبی مصنوعی بهتر است. به‌ویژه، مقادیر میانگین و انحراف استاندارد ماهانة سری مشاهداتی به بهترین شکل از طریق این مدل‌ها شبیه‌سازی می‌شوند. مقدار شاخص SRMSE مدل HW1 در مراحل واسنجی و آزمون به‌ترتیب 33 و 37 درصد و برای مدل HW2 به‌ترتیب 28 و 43 درصد برآورد شد، در‌حالی‌که همین شاخص برای دو مدل دیگر به‌ترتیب 71 و 50 و 58 و 50 درصد برآورد شد.

کلیدواژه‌ها


عنوان مقاله [English]

Simulation of Taleghan Reservoir Daily Inflow Using Hammerstein-Wiener Models

نویسندگان [English]

  • Behnam Ababaei 1
  • Teymour Sohrabi 2
  • Farhad Mirzaie Asli 3
1 Ph.D. Student, Department of Irrigation & Reclamation Engineering, College of Agirculrue and Natural Resources, University of Tehran, Karaj, Iran
2 Professor, Department of Irrigation & Reclamation Engineering, College of Agirculrue and Natural Resources, University of Tehran, Karaj, Iran
3 Assistant Professor, Department of Irrigation & Reclamation Engineering, College of Agirculrue and Natural Resources, University of Tehran, Karaj, Iran
چکیده [English]

Hammerstein-Wiener (HW) models are capable in describing nonlinear dynamic systems. These models are nonlinear and have been widely used in a wide range of sciences due to their simplicity and having a physically-based concept. In this research, for the first time in hydrology and water resources management, three different structures of these models using daily temperature and precipitation data as model inputs were applied  to simulate Taleghan Reservoir daily inflow using R2, RMSE, SRMSE, MAE, d and PEP statistics and criteria. To do this, the reservoir data from 2006 to 2011 were utilized. The results obtained with (HW1) and without (HW2) data pre-processing were compared with the results achieved from two different structures of artificial neural networks (ANNs) including (i) Feed-Forward ANN with two Hidden Layers (FeedF2) and (ii) Generalized Regression Neural Network (GRNN2). The results revealed that the HW models outperformed the ANN models. In particular, the mean and standard deviation of the inflow time series were simulated very accurately. The SRMSE values of the HW1 model were 33% and 37% and while these values for the HW2 model were 28% and 43% over calibration and validation phases, respectively. Meanwhile, the accuracy obtained over calibration and validation phases were 50% and 71% for FeedF2 and 58% and 50% for GRNN2, respectively. 

کلیدواژه‌ها [English]

  • Artificial Neural Networks
  • Hammerstein-Wiener models
  • stream flow
  • water resources management