fa روندیابی سیلاب در رودخانه مارون با استفاده از سریهای زمانی تخصصي Special پژوهشي Research چکیده روندیابی سیلاب، یکی از پیچیده ترین مسائلی است که در علم هیدرولیک کانال های باز و مهندسی رودخانه مورد بررسی قرار گرفته است. روش های مختلفی در زمینه روندیابی سیلاب وجود دارند که به دو گروه گسترده و متمرکز تقسیم بندی می شوند. امروزه تکنیک جدید استفاده از مدل شبکه های عصبی مصنوعی تکاملی که مبتنی بر هوش مصنوعی می باشد کاربرد گسترده ای در زمینه های مختلف علمی به ویژه مهندسی آب پیدا کرده است. در این تحقیق به روندیابی سیل در رودخانه مارون، بازه خیرآباد-پل فلور با استفاده از مدل های شبکه عصبی مصنوعی تکاملی MNN FF, JEN, وRBF پرداخته شد. از جمله مواردی که به عنوان یک روش جدید بیان شده است تعیین تعداد و تاخیر زمانی موثر داده های ورودی در مدل های شبکه عصبی مصنوعی با استفاده از روش همبستگی عرضی خطی بین سری های زمانی ورودی ها و خروجی ها می باشد. با استفاده از الگوریتم ژنتیک ساختار مدل های شبکه عصبی مصنوعی از نظر تعداد لایه ها، تعداد گره ها در لایه پنهان، نوع تابع انتقال و الگوریتم یادگیری شبکه بهینه گردید. نتایج نشان می دهد که روش همبستگی عرضی به خوبی تعداد و تاخیر زمانی موثر داده های ورودی را تعیین می نماید. علاوه بر این مقایسه خروجی مدل ها با مقادیر واقعی نشان می دهد که مدل MNN انتخاب شده نسبت به مدل های آماری و مدل های دیگر شبکه عصبی مصنوعی توانایی ، انعطاف پذیری و دقت بیشتری در پیش بینی و روندیابی سیلاب در رودخانه مارون را دارند. Abstract Flood routing, one of the most complex issues in hydraulic open channel science and river engineering is investigated. There are different methods in the field of flood routing which are divided broad and focus groups. Today, a new technique using evolutionary artificial neural network model based on artificial intelligence is widely used in various fields, especially water engineering works. In this study the flood routing in Maroon river, Khyrabad-Pol Felor reach using MNN, FF, JEN, and RBF evolutionary artificial neural network models Were Studied. Including cases where a new method is a model using linear cross correlation between input and output time series. Using genetic algorithm models the structure of artificial neural networks in terms of number of layers, number of nodes in the hidden layer, the type of network learning algorithm and transfer function were optimized. Results show that the method of cross correlation. and the output models compared with actual values show that the MNN selected model has capabilities, flexibility and greater accuracy in forecasting and flood routing in the river than the statistical model and other models of artificial neural network determining the number and time delay. Effective input data were effecative, while the number and time delay input data were also effective کلیدواژه ها: روندیابی سیلاب، شبکه عصبی مصنوعی مودولار، سری زمانی، الگوریتم ژنتیک، مدل های آماری، رودخانه مارون. Keywords: Flood routing, Modular Artificial Neural Network, Time series, Genetic algorithms, Statistical models, Maroon river. 229 251 http://geographical-space.iau-ahar.ac.ir/browse.php?a_code=A-10-919-1&slc_lang=fa&sid=1 آزاده امیری Geography8484@yahoo.com 1003194753284600969 1003194753284600969 No عضو هیات علمی دانشگاه آزاد اسلامی واحد اهواز مهدی نیکو m.nikoo@iauahvaz.ac.ir 1003194753284600970 1003194753284600970 Yes آموزشکده فنی و حرفه ای سماء دانشگاه آزاد اسلامی اهواز محمد نیکو sazeh84@yahoo.com 1003194753284600971 1003194753284600971 No آموزشکده فنی و حرفه ای سماءدانشگاه آزاد اسلامی اهواز