شبیه سازی فرآیند بارش ـ روانآب با شبکه عصبی مصنوعی (ANN) و مقایسه با مدل HEC-HMS در حوزه معرف کارده

Q: چگونه مقاله دانلود کنم؟

برای دانلود مقاله از SID، ابتدا وارد سایت شوید، عنوان مقاله را جستجو کرده و بر روی گزینه 'دانلود مقاله' کلیک کنید.

Q: چگونه مقاله ISI دانلود کنم؟

برای دانلود مقاله ISI در SID، کلمه کلیدی یا عنوان مقاله را در نوار جستجو وارد کرده و نتایج مرتبط را مشاهده کنید. سپس روی مقاله مورد نظر کلیک کرده و گزینه 'دانلود مقاله' را انتخاب کنید.

Q: چگونه میتوانم به پایگاه داده SID دسترسی داشته باشم؟

برای دسترسی به پایگاه داده SID، وارد سایت SID.ir شوید، یک حساب کاربری ایجاد کنید و سپس با ورود به حساب خود به منابع علمی دسترسی پیدا کنید.

Q: آیا دانلود مقاله از SID رایگان است؟

بعضی از مقالات در SID بهصورت رایگان در دسترس هستند، اما برخی دیگر نیاز به پرداخت هزینه دارند. اطلاعات بیشتر در صفحه مقاله مشخص شده است.

جهانگیر علیرضا; رائینی سرجاز محمود; ضیاتباراحمدی میرخالق

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

مقاله مقاله نشریه

مشخصات مقاله

نشریه: آب و خاک
:1387 | دوره:22 | شماره:2
صفحات :72-84

دانلود متن کامل

نسخه انگلیسی

بازدید:

2,173

دانلود:

755

استناد:

اطلاعات مقاله نشریه

عنوان

شبیه سازی فرآیند بارش ـ روانآب با شبکه عصبی مصنوعی (ANN) و مقایسه با مدل HEC-HMS در حوزه معرف کارده

نویسندگان

جهانگیر علیرضا | رائینی سرجاز محمود | ضیاتباراحمدی میرخالق | صدور گواهی نویسنده

کلیدواژه

شبیه سازیQ2

مدل هیدرولوژیکیQ2

بارش ـ روانآبQ3

شبکه عصبی مصنوعیQ2

مدل HEC-HMSQ2

حوزه کاردهQ3

چکیده

سیل یکی از پدیده های ویرانگر طبیعی است که پیش بینی آن از اهمیت بالایی برخوردار است. برآورد بارش - روانآب و سیل, به دلیل تاثیرگذاری عوامل مختلف, دشوار است. تاکنون روش های مختلفی برای تحلیل این پدیده ها پیشنهاد شده است. هدف این پژوهش مقایسه کارآمدی شبکه های عصبی مصنوعی (ANNs) در شبیه سازی فرآیند بارش ـ روانآب با نتایج مدل HEC-HMS است. به این منظور حوزه کارده واقع در شمال شرقی خراسان برگزیده شد و باران نمودهای چندین پیشامد بارندگی و آبنمودهای روانآب آن ها (مجموع450 داده مربوط به 30 پیشامد گزینش شده) مبنای کار قرار گرفت. سپس شبکه عصبی مصنوعی با الگوریتم پس پراکنش و استفاده از تابع تبدیل -S شکل آموزش داده شد. معیار گزینش پارامترهای شبکه در مرحله آموزش, تولید کمترین مقدار ریشه میانگین مربعات خطا (RMSE) در خروجی های آن بود. مدل HMS به روش پیشنهادی SCS اجرا گردید. برای ارزیابی کارایی ANN, داده های شبیه سازی شده و مشاهده ای مربوط به کل دبی و حجم روانآب, دبی های اوج و زمان های اوج مقایسه شدند. نتایج نشان داد که بر پایه قانون آموزش دلتا, شبکه پرسپترون چندلایه (MLP) با تعداد 29 نرون در تنها لایه میانی (پنهان), فرآیند بارش ـ روانآب را با دقت خوبی شبیه سازی می نماید. ضریب همبستگی کل داده های دبی و حجم روانآب شبیه سازی شده و مشاهده ای, به ترتیب 0.98 و 0.99 به دست آمد .ANN اندازه و زمان دبی های اوج را نیز به خوبی (به ترتیب, 0.98 و r=0.83) برآورد کرد. با بررسی عملکرد مدلHMS , ضریب همبستگی کل داده های دبی و حجم روانآب 0.82 و 0.98 به دست آمد. همچنین ضریب همبستگی مربوط به اندازه و زمان دبی های اوج روانآب برآورد شده با مدل به ترتیب 0.97 و 0.70 برآورد شد. در آزمون t با سطح اعتماد 99 درصد, اختلاف معنی داری میان اندازه های مشاهده ای و شبیه سازی شده مربوط به همه پارامترهای مورد نظر دیده نشد. در نتیجه, گرچه تفاوت معنی داری میان دو روش یافت نشد, ولی مقایسه عملکرد شبکه و مدل به کار رفته نشان می دهد که در تمام پارامترها, دقت ANN بیشتر از مدل HMS بوده است.

استنادها