علی زادبر - لیسانس آبهای سطحی، دانشگاه صنعت آب و برق شهید عباسپور
سعید علیمحمدی - استادیار دانشکده مهندسی آب دانشگاه صنعت آب و برق شهید عباسپور
اسداله اکبریان اقدم - استادیار دانشکده مهندسی آب دانشگاه صنعت آب و برق شهید عباسپور

رویکرد متعارفی که در حال حاضر جهت محاسبه هیدروگراف سیل طراحی وجود دارد، یک رویکرد نیمه احتمالاتی است که در آن توزیع زمانی بارش به صورت یک الگوی تیپ از قبل معلوم فرض میشود. در مقابل در روش مونت کارلو به جای استفاده از یک الگوی تیپ از تعداد زیادی الگوی تصادفی استفاده میشود. پس از ارزیابی مدل بارش رواناب با استفاده از این الگوها، در نهایت یکی از آنها انتخاب میشود. هرقدر تعداد الگوها بیشتر باشد، اعتمادپذیری نتایج بیشتر خواهد بود، اما در مقابل زمان محاسبات افزایش خواهد یافت. در این مطالعه هدف جایگزینی مدلهای بارش – رواناب با شبکههای عصبی مصنوعی بوده است. مزیت شبکههای عصبی در این است که تمامی ترکیبات مختلف را میتوان با یکبار اجرای مدل حاصل نمود. حال آنکه انجام این کار با نرم افزار بارش - رواناب زمان بسیار زیادی میطلبد. در این مطالعه از ترکیبهای مختلفی منجمله عمق بارش و شماره منحنی خاک حوضه در مدل سازی بارش- رواناب یک حوضه فرضی استفاده به عمل آمده است. این اطلاعات به نرم افزار HEC-HMS داده شد و بعد از تولید هیدروگراف سیلاب، دادههای حاصل برای آموزش شبکه عصبی به کار برده شد. در ادامه محاسبه هیدروگراف سیل حوضه در شرایط متفاوتی یکبار با استفاده از شبکه عصبی آموزش دیده و بار دیگر با استفاده از نرم افزار HEC-HMS به انجام رسید که حاکی از نزدیکی بسیار نتایج دو روش به یکدیگربود. در انتها نیز هیدروگراف سیل طراحی مونت کارلو محاسبه شد.

شبکهعصبیمصنوعی، روشمونتکارلو ،HEC-HMS، هیدروگراف سیل طراحی