۵-۲ سابقه و ضرورت انجام تحقیق
نیکو و همکاران (۱۳۸۸)، با بهره گرفتن از دو نوع مدل شبکه عصبی مصنوعی اقدام به روندیابی رودخانه کارون نمودند. برای تعیین تعداد و تاخیر زمانی موثر داده های ورودی در مدل‌های شبکه عصبی مصنوعی از روش همبستگی عرضی سری‌های زمانی استفاده شد. نتایج نشان می دهد که روش همبستگی عرضی به خوبی تعداد و تاخیر زمانی موثر داده‌های ورودی را تعیین می نماید.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

یگانه فرد و ذهبیون (۱۳۸۹)، برای پیش بینی سیلاب با بهره گرفتن از روش آماری اقدام به تدقیق شبکه عصبی مصنوعی نمودند. در این مطالعه از مشاهده‌های روزانه در رودخانه خرسان (یکی از سرشاخه‌های اصلی رود کارون) در ایستگاه بارز و استفاده از داده های ۲۵ ساله به منظور آموزش شبکه و ۵ سال باقی مانده برای تعیین قابلیت تعمیم پذیری شبکه و به عبارتی آزمایش شبکه ها در نظر گرفته شده است. در این تحقیق از شبکه های عصبی تغذیه پیشرفتی و الگوریتم انتشار برگشتی خطا که از متداولترین انواع شبکه های عصبی مصنوعی و روش های آموزشی هستند استفاده شد. چولگی در داده ها با بهره گرفتن از تبدیل ویلسون- هیلفرتی کاهش داده شدند تا نوسانات در داده ها کمتر شود و علاوه بر داده های اولیه، داده‌های تبدیل یافته نیز برای آموزش شبکه‌ها استفاده شدند.
زارع ابیانه و بیات ورکشی (۱۳۸۹)، مطالعه موردی بر روی رود زاینده رود به منظور پیش بینی سیلاب با بهره گرفتن از شبکه عصبی مصنوعی و با بهره گرفتن از داده های سه ایستگاه پل زمان خان، قلعه شاهرخ و سد زاینده رود را انجام دادند.در این مطالعه با ورود دادهای اولیه متوسط میانگین بارش سالانه، متوسط دمای هوا و همچنین دمای حداقل و حداکثر شبکه آموزش داده می شود. این روش با روش تجربی دی سوزا مقایسه گردید که اختلاف اندکی بین نتایج بدست آمد. همچنین این پژوهش نشان داد با کاهش متغیرهای ورودی از ۴ پارامتر به یک پارامتر بارش، خطای مدلسازی به حداکثر خود (MPE=7% MPE=16%) می‌رسد.
حاجی مشهدی و همکاران (۱۳۹۰)، به منظور پیش‌بینی حداکثر جریان سیلاب در مطالعه موردی رودخانه زیارت که با بهره گرفتن از آمار متوسط شدت بارندگی در طی ۲۷ سال صورت گرفته است از مدل یک بعدی موج سینماتیک استفاده نمودند. در این مطالعه با بهره گرفتن از سیستم معادلات سنت-ونانت اقدام به مدلسازی هیدروگراف خروجی در ایستگاه ناهارخوران (با زمان تداوم.۲۵ تا ۲۴ ساعت) شده است.
نگارش و همکاران (۱۳۹۰) ، هدف از این پژوهش پیش بینی سیلاب رودخانه ی سرباز با شبکه مصنوعی می باشد.در این مطالعه از سه روش شبکه مصنوعی پرسپترون پند لایه،پس انتشار و Radial Basisi برای این منظور از داده های روزانه اقلیمی و هیدرولوژکیسه ایستگاه سرباز، ایرانشهر و پیردان طی یک دوره ۲۸ سالهاستفاده شده است.پس از بررسی آماری داده ها شبکه یاد شده با همبستگی .۹۷ در مرحله آموزش و .۷۱ در مرحله آزمایش و خطای کمتر نسبت به سایر روش ها بعنوان بهترین شبکه معرفی شد.
کریمی فرد و محمدولی (۱۳۹۱)، شاخه‌ای جدید از روش روندیابی ماسکینگام برای رودخانه چند شاخه‌ای ارائه کردند. در این مطالعه روندیابی هیدروگراف چند شاخه‌ای تنها با محاسبه دو پارامتر مجهول و بدون نیاز به محاسبه هیدروگراف‌های هر شاخه و با داشتن هیدروگراف ورودی شاخه‌های بالادست صورت گرفته است.
زارع و ذاکر مشفق (۱۳۹۱)، با بهره گرفتن از روش داده محور درخت تصمیم اقدام به پیش‌بینی سیلاب نمودند در این روش، داده‌های آزمون با حرکت از ریشه درخت آموزش یافته با داده‌های آموزشی انجام می‌پذیرد. در این پژوهش ابتدا تحلیل هیدرگراف سیل به
کمک درخت تصمیم گیری و متغیرهای مستقل صورت گرفته و همچنین عملکرد آن در صورت حذف متغیرهای مستقل کم اهمیت شناسایی شده و در مرحله تحلیل حساسیت مورد ارزیابی قرار می گیرد.
ظهیری و همکاران (۱۳۹۱) به بهینه سازی روش روندیابی هیدرولوژیکی ماسکینگام پرداختند. در این مطالعه با در نظر گرفتن اثرات جریان های عرضی در دشت های سیلابی (کانالهای با مقاطع مرکب) و استفاده از شبکه عصبی ، تخمین دقیقی از پارامترهای موثر در حل معادلات روندیابی سیلاب صورت گرفت.
ترابی و همکاران (۱۳۹۲)، برای استفاده کاربردی و آسان و بدون نیاز به دانش بالا در پیش‌بینی سیلاب اقدام به استخراج کدهای ارتفاعی در بالا دست به منظور اعلام هشدار در پایین‌دست نمودند. روند پیش بینی بصورت هیدرودینامیکی با بهره گرفتن از برنامه
نرم‌افزاری HEC-RAS می‌باشد.
آیشم و همکاران (۱۳۹۲)، به بررسی مدل‌های گوناگون شبکه‌های عصبی مصنوعی برای مدلسازی بارش-رواناب که بصورت مطالعه موردی بر روی رودخانه تورکی صورت گرفت پرداختند. پس از بررسی روش‌های مختلف با توجه به شاخص های آماری بکار گرفته شده، منطق فازی قادر به تخمین دقیق مقادیر جریان می باشد.
Kerth و Lee (2006) با مدل شبکه عصبی اقدام به ایجاد هیدروگراف پایین دست نمودند آنها مدل خود را با بهره گرفتن از ضرایب آماری ریشه دوم میانگین توانهای دوم ، ضریب اثر، خطای دبی اوج و زمان رسیدن به اوج، مدل خود را با روش ماسکینگام مقایسه کردند ونشان دادند روش یاد شده از دقت مناسبی برخوردار می باشد. همچنین در این مدل توسعه یافته آنها اقدام به آموزش شبکه به منظور تاثیر ضرایب جغرافیایی در پیش بلند مدت نمودند که نتایج بدست آمده نشان داد که ضرایب جغرافیایی تاثیر کم و الته مثبتی در پیش بینس خواهد داشت.
Chuan Wong و همکاران (۲۰۰۹) با بهره گرفتن از پارمترهای آماری اقدام به بررسی پیش بینی هایی باروش های ,GP, ANN, ANFIS و SVM پرداختند آنها با مطالعه موردی بر روی رودخانه Lancanjiang واقع در تبت صحت سنجی روش های فوق الذکر را انجام دادندکه روش SVM بهترین نتیجه را ارائه نمود .
Mukesh و همکاران (۲۰۱۰) مدل ترکیبی با عنوان (wavelet_bootstrap_ANN)WBANN اراده نمودند که منتج به پیش بینی دبی خروجی رودخانهMahandi هندوستان به صورت ساعتی(دبی رودخانه در هر یک ساعت) گردید.آنها با بهره گرفتن از روش wavelet اقدام به تجزیه معادلات سری زمانی به مولفه های اولیه کردند و با بهره گرفتن از روش های bootstrap و ANN اقدام به ایجاد ساختار مدل پیشنهادی خود کردند.
Shiri و Kish (2010) با بررسی روش neuro_fuzzy_پیش بینی های روزانه، ماهانه و سالانه را انجام دادند.آنها در قسمت اول تحقیق خود اقدام به بسط مدل NFبا استفاده از مقادیر ثبت شده ۳۱ سال گذشته رودخانه Filyos(ترکیه) نمودند که نتایج بدست آمده مدل صحیح نبودند.سپس به منظور بهبود مدل یاد شده به ارائه مدل پیشنهادی WNF نمودند که این مدل با ورودی های اصلی رودخانه فوق الذکر شده آموزش داده شد.

۵-۳ هدف ها
با توجه به ضرورت توسعه سیستم‌های هشدار سیلاب و تدوین دستورالعمل‌های عملکرد اضطراری و نیز مدیریت سیستم مخازن سدها، بکارگیری و انتخاب یک مدل پیش‌بینی سیلاب مناسب از اهمیت بالایی برخوردار است. لذا هدف اصلی تحقیق پیش رو مقایسه روش‌های متداول پیش‌بینی سیلاب و در نهایت انتخاب مناسب‌ترین روش می‌باشد.

۵-۴ فرضیه ها
در انجام این تحقیق فرایند بارش به صورت قطعی در نظر گرفته می‌شود و از عدم قطعیت‌های موجود در این پدیده صرفنظر می‌گردد.

۵-۵ چه کاربردهایی از انجام این تحقیق متصور است؟
توسعه سیستم‌های هشدار سیلاب، تدوین دستورالعمل‌های عملکرد اضطراری و نیز مدیریت سیستم مخازن سدها حین سیلاب.

۵-۶ استفاده کنندگان از نتایج پایان نامه
نتایج این تحقیق می‌تواند مورد استفاده سازمان هایی نظیر وزارت نیرو و شرکت‌های وابسته‌ به آن، وزارت جهاد و کشاورزی، ستاد مبارزه با بحران و …

۵-۷ نوآوری طرح در چیست؟
در تحقیقات صورت گرفته پیرامون موضوع پیش‌بینی سیلاب و تعیین هیدروگراف سیلاب، بررسی و مقایسه روش‌های متداول
پیش‌بینی و انتخاب یک روش کارآمد که بتواند پیش‌بینی دقیقتری ارائه نماید کمتر مورد توجه قرار گرفته است که دستیابی به این
مهم، نقطه تمرکز در این تحقیق خواهد بود. بدین ترتیب و در صورت تحقّق اهداف تحقیق، دستیابی به یکی از مهمترین اجزای یک سامانه هشدار سیلاب که در نهایت می‌تواند در طراحی سیستم‌های کنترل سیلاب و کاهش خسارات جانی و مالی ناشی از سیلاب مورد استفاده قرار گیرد، میسر می‌گردد.