لیلا ملکانی - گروه عمران، دانشکده فنی و مهندسی مرند، دانشگاه تبریز، مرند، ایران

وجود ارتباط غیرخطی و پیچیده بین اجزای یک سیستم در فرایندهای هیدرولوژیکی و رفتار دینامیکی مابین آنها، استفاده از مدل‌های هوشمند را جهت مدلسازی ضروری می‌نماید. معمولا در تحقیقات مختلف برای افزایش دقت نتایج مدلسازی، از مدل­های جدیدتر با قابلیت محاسباتی بیشتر استفاده می­شود. علاوه بر توانایی­های محاسباتی مدل­ها، بکارگیری اطلاعات ورودی صحیح به آنها نیز دارای اهمیت است و لازمه رسیدن به دقت مناسب در انواع روش­های مدلسازی است. با توجه به اینکه خطا در داده‌های هیدرولوژیکی معمولا وجود دارد، هدف از این تحقیق بررسی تاثیر حذف خطاهای ممکن در سیستم‌های هیدرولوژیکی در میزان افزایش دقت مدل­ها است. در این تحقیق مقادیر جریان ماهانه حوضه‌های شاخص استان آذربایجانشرقی (رودخانه­های نهند چای، لیقوان­چای و اهرچای) در دو حالت با خطا و بدون خطا مورد بررسی قرار گرفته و سپس برای هر دو حالت، فرایند پیش‌بینی با مدل‌ شبکه‌های عصبی مصنوعی مطالعه شده است. برای جداسازی خطای داده‌های ورودی از نظریه آشوب استفاده شده است. بر اساس معیار ارزیابی نش-ساتکلیف، دقت نتایج مدلسازی جریان ماهانه رودخانه­های نهند چای، لیقوان­چای و اهرچای برای داده‌های بدون نویز نسبت به داده‌های خام، بترتیب به میزان (2/43، 9/27 و 9/5) افزایش یافته و مقدار خطا، بر اساس معیار مجذور میانگین مربعات خطا به مقدار (2/65، 5/63 و 7/2) کاهش داشته است.

پیش‌بینی رواناب, نظریه آشوب, شبکه‌های عصبی مصنوعی, کاهش خطا