فرشید صف شکن - دانشگاه آزاد اسلامی، واحد داریون، باشگاه پژوهشگران جوان و نخبگان، داریون، ایران.
نادر پیرمرادیان - استادیار گروه مهندسی آب، دانشکده کشاورزی دانشگاه گیلان، رشت
رضا افشین شریفان - گروه سازه های آبی، واحد شیراز،دانشگاه آزاد اسلامی،شیراز، ایران

فرایند بارش- رواناب یک پدیده­ی کاملا" پیچیده و غیرخطی در آبشناسی و منابع آب می­باشد. در سالهای اخیر، شبکه های عصبی مصنوعی کاربرد گسترده­ای را در شبیه­سازی روابط غیرخطی و پیچیده مانند رابطه­ی بارش-رواناب پیدا کرده است. دراین تحقیق، به منظور شبیه­سازی آبنمود بارش-رواناب در حوضه­ی آبخیز معرف کسیلیان از روش شبکه­ی عصبی مصنوعی (با ساختار۷-۱۰-۹) و نرم­افزار HEC-HMS استفاده گردید. به منظور آموزش بهتر نرم افزار شبکه­ی عصبی مصنوعی داده های بارندگی بر اساس الگوی زمانی، مطابق با توزیع بارندگی هاف، به چهار گروه تقسیم شدند. به­طورکلی نتایج این تحقیق نشان دادند که محدوده­ی قدرمطلق درصد خطای نسبی فراسنج­های QP، TP، Tb، ۷۵w،۵۰w، ۵۰T و ۷۵T شبیه سازی شده به وسیله­ی شبکه عصبی به ترتیب ۹۷/۵۱-۰۲/۰، ۲۳/۴۱- ۵۵/۰، ۰۷/۵۴- ۲۶/۰، ۶۲/۲۰۲- ۲۳/۰، ۸۸/۶۹- ۵۲/۰، ۰۷/۸۲- ۲۱/۲ و ۷۶/۵۷- ۴۲/۲ می باشند، در حالی­که با شبیه سازی به وسیله­ی نرم­افزار HEC-HMS این حدود به ترتیب ۵۳/۷۵۶- ۵۸/۰، ۲۵۰-۰، ۱۸/۱۴۱-۰، ۵۷۵-۸۴/۲، ۸۶/۱۶۷-۹۳/۰، ۳۵۰-۳۳/۳ و ۶۷/۲۶۶-۲ محاسبه شده­اند. با توجه به درصد خطای نسبی مربوط به فراسنج­های خروجی هر واقعه می توان نتیجه گرفت که شبکه­ی عصبی در اکثر موارد تمامی فراسنج­ها و شکل کلی آبنمود را به­خوبی و با خطای ناچیزی نسبت به نرم افزار HEC-HMS شبیه سازی نموده است، البته در بعضی موارد، نرم افزار HEC- HMS توانسته است که شبیه سازی بده اوج آبنمود، زمان پایه و شکل کلی آن را به خوبی، یا به ندرت دقیقتر از شبکه­ی عصبی انجام دهد.

آبنمود بارش- رواناب, شبکه ی عصبی مصنوعی, مدل HEC-HMS