دانشگاه تبریز نشریه مهندسی عمران و محیط زیست 2008-7918 56 122 2026 05 22 Predictive Modeling of Reservoir Inflow for Multi-Step Ahead to Improve Management of Alavian Dam Reservoir مدل‌سازی پیش‌بینی جریان ورودی به مخزن سد در 12 ماه آتی برای بهبود مدیریت مخزن سد علویان 53 63 18148 10.22034/ceej.2024.59627.2308 FA باقر نیکوفر گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز وحید نورانی گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز آیدا حسینی بقانام گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز Journal Article 2023 12 17 Accurate reservoir inflow forecasting is essential for efficient water resources management, particularly under increasing pressure on available water supplies. This study evaluated the performance of an Artificial Neural Network (ANN) and several data-mining models developed in the Weka environment for forecasting inflow to the Alavian Dam reservoir up to 12 months ahead. Monthly data from 1997 to 2022 were used to build the models. The input variables included reservoir inflow, temperature, evaporation, precipitation, basin snow cover, and drought indices. Model performance was assessed during the validation phase and compared across different forecasting horizons. The results showed that all models provided acceptable and reliable predictions. However, ANN, RF, and RT outperformed the other models in overall accuracy. Their average correlation coefficients were 0.85, 0.90, and 0.83, respectively. These models also showed strong agreement with observed data, especially in reproducing peak inflow values. The findings demonstrate the effectiveness of AI-based approaches for multi-step reservoir inflow prediction. با توجه به نقش اساسی آب در زندگی بشر و محدودیت‌های منابع آب، برآورد دقیق میزان پتانسیل منابع آب و استفاده بهینه از آن،‌ یک مسئله مهم و قابل‌توجه در محافل علمی و صنعت آب است. پیش‌بینی چند ماه آینده جریان ورودی به مخزن سدها موجب بهبود مدیریت بهره‌برداری از مخزن سدها می‌گردد؛ بنابراین پیش‌بینی جریان آب ورودی به مخازن سدها با دقت بالا، با استفاده از مدل‌های مبتنی بر هوش مصنوعی و روش‌های نوین روز، ضروری می‌باشد. در این مقاله از توانایی مدل شبکه عصبی مصنوعی ((ANN) Artificial Neural Network) با انتشار برگشتی خطا و از سایر مدل‌های مبتنی بر داده‌کاوی در بستر نرم‌افزار WEKA (Waikato Environment for Knowledge Analysis) در مدل‌سازی پیش‌بینی چند گام بعد (تا 12 ماه بعد) با به‌کارگیری ورودی‌های مشاهداتی استفاده ‌شده است. در انتها، کارآیی همه مدل‌ها با استفاده از معیارهای ارزیابی بررسی‌شده و مدل‌ها با یکدیگر مقایسه شده‌اند. هدف این مقاله، پیش‌بینی چند ماه آینده جریان ورودی به مخزن سد علویان می‌باشد. در این تحقیق، ورودی‌های مدل شامل رواناب ورودی به مخزن سد، دما، تبخیر، بارش و پوشش برف حوضه آبریز سد و شاخص‌های خشک‌سالی می‌باشد و این داده‌ها به‌صورت ماهانه و به‌مدت 25 سال (1376-1401) استفاده گردیده است. مقایسه نتایج مدل ANN با سایر مدل‌های RF، RT، GP و SM در مرحله صحت‌سنجی، نشان‌دهنده‌ این است که در همه گام‌ها، نتایج پیش‌بینی برای همه مدل‌ها مناسب بوده است و از بین 5 مدل که نتایج آن‌ها باهم مقایسه گردیده است، نتایج متوسط ضریب همبستگی مدل‌های ANN و RF و RT به‌ترتیب 85%، 90% و 83% در مقایسه با سایر مدل‌ها در پیش‌بینی جریان ورودی به مخزن سد علویان در چند گام بعد (1 تا 12 ماه) مناسب و نزدیک به داده‌های مشاهداتی به‌ویژه در نقاط پیک بوده است. https://ceej.tabrizu.ac.ir/article_18148_598374f1f27da5bdeb455e5deda58d99.pdf