امروزه یکی از مهمترین مسائل جهت مدیریت سیلاب و جلوگیری از صدمات اقتصادی و جانی ناشی از آن، پیش بینی صحیح جریان رودخانه ها می باشد. یکی از بهترین راه های کاهش اثرات مخرب سیلاب، استفاده از سدها و مخازن است. مخازن مهمترین و موثرترین سیستم ذخیره آب می باشند که توزیع نابرابر مکانی و زمانی آب را تغییر می دهند. آنها همچنین تامین کننده آب شرب و آبیاری بوده و وسیله بسیار مناسبی برای تولید انرژی برقابی می باشند. به منظور بهترین استفاده از آب موجود، بدون شک مدیریت بهینه مخازن در یک سیستم پویا بسیار مهم می باشد.

پیش بینی جریان ورودی و سطح آب مخزن، در بهینه سازی مدیریت مخازن آب بسیار موثر می باشند. اما فاکتور ها و عوامل مختلفی بر روی این پدیده ها تاثیر گذارند که تحلیل آنها را مشکل می سازد. مدل های آماری و رگرسیون از معمولترین روشهای تحلیلی می باشند که غالبا با توجه به حل خطی این پدیده ها، نتایجی همراه با خطا ارائه داده و نمی توانند تغییرات زمانی پدیده مورد نظر را با دقت قابل قبول مدل کنند. امروزه سیستم های هوشمند فازی و عصبی با توجه به توانایی در حل پدیده های غیر خطی و پیچیده، کاربرد های فراوانی در مسائل مختلف مهندسی آب از جمله هیدرولوژی پیدا کرده اند، که در این تحقیق نیز به ارزیابی این سیستم ها در پیش بینی جریان ورودی به مخزن و سطح آب در آن پرداخته می شود.

فرضیاتی که در مدل های هیدرولوژیکی در نظر گرفته می شود باید با واقعیات هیدرولوژیکی سازگار باشد و پیش بینی ها نباید از محدودة مشاهداتی رفتار سیستم خارج گردد. قابلیت یک مدل هیدرولوژیکی باید بصورت ساختاری، هم در مورد اساس تئوری های هیدرولوژیکی بکار رفته در آن و هم از لحاظ میزان دادة مورد نیاز و موجودیت آنها مورد ارزیابی قرار گیرد. مدل های هیدرولوژیکی موجود به لحاظ بکارگیری میزان جزئیات فرآیندهای هیدرولوژیکی در مدل ها، متمایز می باشند. در مدل های تجربی از جزئیات فرآیندها صرفنظر می گردد و تنها از معادلات ساده با پارامترهای اندک استفاده می شود. هر مدل تجربی برای یک حوضه خاص بدست آمده و ممکن است برای حوضه های دیگر کارایی لازم را نداشته باشد. در مقابل در مدل های فیزیکی سعی می گردد حداکثر جزئیات فرآیندها در مدل در نظر گرفته شود.  بنابراین هر نوع کاربرد این نوع مدل ها نیازمند اطلاعات بسیار جامع و کامل از حوضه مورد بررسی و نیز تعیین هزاران مقادیر پارامتری می باشد. کالیبراسیون چنین مدل هایی نیز، بسیار پیچیده و وقت گیر می باشد.با توجه به محدودیت های مدل هایی از نوع بالا، مدل های جعبه سیاهی همچون شبکه های عصبی و سیستم های فازی با نیاز به داده های کمتر به نسبت مدل های فیزیکی، نتایج بسیار خوبی را ارائه می دهند.

سد دز یکی از بلندترین سدهای ایران بوده و بر روی رودخانه دز که از ارتفاعات غربی زاگرس سرچشمه گرفته و از نظر میزان آبدهی دومین رودخانه ایران محسوب می شود، ساخته شده است. با توجه به اینکه رودخانه دز یکی از پرآب ترین و مهمترین رودخانه های کشور می باشد، پیش بینی دبی این رودخانه می تواند به مدیریت حوضه این رودخانه و به طور کلی صنعت آب کشور، کمک زیادی کند.

در این تحقیق با استفاده از اطلاعات باران و تبخیرسنجی و دبی ایستگاه های بالادست مخزن سد دز و همچنین خود مخزن سد، به پیش بینی دبی ورودی به مخزن در 1 تا 4 روز آینده با استفاده از سیستم های فازی و شبکه های عصبی پرداخته می شود. الگو های مختلفی از اطلاعات باران سنجی و دبی ایستگاه های بالادست و همچنین اطلاعات تبخیر، باران سنجی و دبی ورودی به مخزن در دوره های گذشته به عنوان اطلاعات ورودی استفاده می شوند. در انتها به منظور بررسی بیشتر توانایی این سیستم های هوشمند، نتایج حاصل از آنالیز رگرسیون با نتایج سیستم های فازی و شبکه های عصبی مقایسه می گردند.

به منظور پیش بینی جریان رودخانه ها با استفاده از شبکه های عصبی از الگوریتم پس انتشار خطا (BP) جهت آموزش و تست شبکه بهره برده می شود. همچنین ساختارهایی با توابع محرک و الگوریتم های یادگیری مختلف، تعداد نرونهای متفاوت برای لایه پنهان نیز معرفی می شود تا بتوان بهترین الگوی تطبیق داده شده با شرایط جریان انتخاب گردد.

در هنگام پیش بینی دبی ورودی به مخزن با استفاده از سیستم های فازی از دو سیستم استنتاج فازی ممدانی و تاکاگی- سوگنو استفاده می شود. در این تحقیق، همچنین روشهای فازی ساز و غیر فازی ساز و شکل توابع عضویت متفاوت جهت تعیین بهترین ساختار به کار برده می شود.

در قسمت دوم این تحقیق به پیش بینی سطح آب در مخزن در دوره های سیلابی پرداخته می شود. به این منظور از روش بدیع سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) جهت تخمین 3 تا 60 ساعته سطح آب در مخزن استفاده می شود. سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) یک شبکه پس خور چند لایه می باشد که از الگوریتمهای یادگیری شبکه عصبی و منطق فازی به منظور طراحی نگاشت غیر خطی بین فضای ورودی و خروجی استفاده می کند. ANFIS با توجه به توانایی در ترکیب قدرت زبانی یک سیستم فازی با قدرت عددی یک شبکه تطبیقی سیستم فازی، نشان داده است که در مدل سازی فرایندهای فراوانی قدرتمند م