NATIONAL BIBLIOGRAPHY NUMBER
Number
۱۹۲پ
LANGUAGE OF THE ITEM
.Language of Text, Soundtrack etc
per
TITLE AND STATEMENT OF RESPONSIBILITY
Title Proper
مدلسازی بارش- رواناب با استفاده از برنامه‌ریزی ژنتیک (GP)و معادلات دیفرانسیل تصادفی (SDE) در حوضه آبریز لیقوان
First Statement of Responsibility
/علی سلطانی
.PUBLICATION, DISTRIBUTION, ETC
Name of Publisher, Distributor, etc.
تبریز:دانشگاه تبریز،دانشکده کشاورزی ،گروه آب
PHYSICAL DESCRIPTION
Specific Material Designation and Extent of Item
۹۵ص.
Other Physical Details
:جدول، نمودار، عکس
NOTES PERTAINING TO PUBLICATION, DISTRIBUTION, ETC.
Text of Note
چاپی
INTERNAL BIBLIOGRAPHIES/INDEXES NOTE
Text of Note
واژه نامه
Text of Note
کتابنامه ص.: ۹۲-۹۵
DISSERTATION (THESIS) NOTE
Dissertation or thesis details and type of degree
کارشناسی ارشد
Discipline of degree
مهندسی کشاورزی-آب
Date of degree
۱۳۸۹/۰۴/۱۲
Body granting the degree
تبریز:دانشگاه تبریز،دانشکده کشاورزی ،گروه آب
SUMMARY OR ABSTRACT
Text of Note
پیش بینی دبی رودخانه‌ها در کارهای عمرانی، به منظور استفاده بهینه از مخازن سدها، ساماندهی رودخانه و هشدار سیل از اهمیت زیادی برخوردار است .فرآیند بارش- رواناب پدیده‌ای غیرخطی است و استخراج روابط بین بارش در سطح حوضه و جریان ناشی از آن که به صورت رواناب و سیلاب آشکار می‌گردد، از دیرباز جزو مهمترین مسائلی بوده که مورد توجه کارشناسان مرتبط با مسائل آب و بویژه هیدرولوژیست‌ها بوده است .خاصیت غیر خطی، عدم قطعیت ذاتی این پدیده، نیاز به اطلاعات تاریخی طولانی و پیچیده بودن مدل‌های فیزیکی از دلایلی بوده است که باعث شده محققان به سوی مدل‌هایی همچون شبکه‌های عصبی، سیستم‌های فازی، آنالیز موجک، الگوریتم‌های تکاملی) الگوریتم ژنتیک و برنامه‌ریزی ژنتیک و (... و معادلات دیفرانسیل تصادفی رو آورند .در این تحقیق نحوه مدلسازی فرآیند بارش- رواناب با استفاده از برنامه‌ریزی ژنتیک و معادلات دیفرانسیل تصادفی ارائه می‌گردد .معادلات دیفرانسیل تصادفی عدم قطعیت‌های بالای موجود در فرآیند بارش- رواناب، نویزدار بودن داده‌ها و خطای مربوط به فرضیات را یکجا به عنوان فرآیند نویز سفید در نظر گرفته و در مدلسازی وارد می‌کند .برنامه‌ریزی ژنتیک بین متغیرهای ورودی و خروجی روابطی را به طور تصادفی ایجاد کرده و با استفاده از اصول انتخاب طبیعی داروین، در نهایت بهترین رابطه را ارائه می‌کند .این مدل‌ها در حوضه لیقوان واقع در استان آذربایجان شرقی به کار رفت و نتایج آن با داده‌های مشاهداتی مورد بررسی و مقایسه قرار گرفت .معیارهایی که به منظور ارزیابی کارآیی مدل‌ها مورد استفاده قرار گرفت شامل :ضریب تعیین ، جذر میانگین مربعات خطا ، درصد خطای حجم هیدروگراف ،درصد خطاهای مربوط به پیش‌بینی دبی اوج و زمان رسیدن به دبی اوج می‌باشند .نتایج ارزیابی نشان داد که هر دو مدل فرآیند بارش رواناب حوضه لیقوان را با دقت قابل قبولی مدلسازی می‌کنند .دقت مدل حاصل از GP نسبت به SDE بیشتر است ولی چون مدل حاصل از SDE این امکان را فراهم می‌کند که بتوان نوسانات رواناب را نیز پیش‌بینی کرد، لذا در این تحقیق مدل حاصل از SDE به عنوان مدل بارش- رواناب حوضه لیقوان پیشنهاد گردیده است.آنالیز حساسیت مدل SDE بر مبنای تغییرات پارامترهای آن انجام شد .نتایج نشان دادند که با تغییر پارامترها زمان رسیدن به دبی اوج ثابت و تغییرات دبی اوج زیاد می‌باشد .چون روابط حاصل از GP دارای پارامتر خاصی نمی‌باشد، لذا روی این روابط نمی‌توان تحلیل حساسیت انجام داد
Text of Note
River flow forecasting has significant importance in optimal using of dam reservoirs, river development and flood warning systems. Rainfall-runoff process is a nonlinear process and problem of relationship determination between rainfall over drainage basin and the resulting runoff has attracted special attention of hydrologists. Non-linearity and uncertainty of the process, its need for long historical data set and complexity of the physical models have made researchers apply some models such as artificial neural networks, fuzzy systems, wavelet analysis, evolutionary algorithms (genetic algorithm and genetic programming) and stochastic differential equations. In this study, rainfall-runoff modeling using genetic programming and stochastic differential equations is explored. Stochastic differential equations consider uncertainty in rainfall-runoff process, data noises and the error related to some basic assumptions as white noise. Genetic programming establishes relationships between inputs and outputs randomly and gives the best relationship using Darwin's theory of natural selection. These models have been applied in Lighvan catchment located in East Azarbaijan province and their results compared with observed data. Five performance measures, namely, coefficient of determination (R2), root mean squared error (RMSE), percentage error in volume ( V), percentage error in peak ( Qp), and percentage error in time to peak ( Tp) have been used for efficiency evaluation of the models. The results showed that both models are able to accurately simulate the rainfall-runoff process. GP model results were more precise than those of SDE model. But, the SDE model was also able to forecast runoff oscillations. Therefore, in this research, the SDE model is suggested as the rainfall-runoff model of Lighvan catchment. Sensitivity analysis on SDE model parameters was performed. The results showed that with variation of the parameters, there were considerable variations in peak flow, but no significant change in time to peak. There were no special parameters in the resulting relationships of GP model for applying sensitivity analysis.
TOPICAL NAME USED AS SUBJECT
Genetic programming
Ligvan watershed
modeling
Rainfall-Runoff
PERSONAL NAME - PRIMARY RESPONSIBILITY
سلطانی، علی
PERSONAL NAME - SECONDARY RESPONSIBILITY
قربانی، محمدعلی، استاد راهنما
فاخری فرد، احمد، استاد راهنمای همکار
دربندی، صابره، استاد مشاور
ELECTRONIC LOCATION AND ACCESS
Public note
سیاه و سفید
نمایه‌سازی قبلی
