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

نسخه انگلیسی

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

video

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

sound

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

نسخه انگلیسی

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

بازدید:

1,417
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

804
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

بررسی مدل بارش - رواناب با استفاده از روش های شبکه عصبی مصنوعی و رگرسیونی دو متغیره آماری (مطالعه موردی در حوزه آبخیز میناب)

صفحات

 صفحه شروع 69 | صفحه پایان 74

چکیده

 پیش بینی جریان روزانه رودخانه یکی از مهم ترین مسائل هیدرولوژیکی است که برای مدیریت سیلاب بسیار مهم است. مقادیر دبی عبوری رودخانه را می توان از روش های متعددی برآورد نمود, که هر یک از روش ها دارای نقاط ضعف و قوتی هستند. در خصوص مدل های بارش - رواناب به دلیل عکس العمل غیر خطی یک حوزه آبخیز به رویداد باران مساله بسیار پیچیده می گردد. علاوه بر این به دلیل تغییرات مکانی بارش در یک حوزه این پیچیدگی بیشتر نیز می شود. شبکه عصبی یک تکنیک قابل انعطاف با ساختار ریاضی است که ما را قادر می کند بدون توجه به پدیده های طبیعی روابط پیچیده غیر خطی بین داده های ورودی و خروجی را تشخیص دهیم. این تحقیق با هدف کاربرد شبکه عصبی مصنوعی در پیش بینی دبی روزانه خروجی ایستگاه میناب انجام شد و سپس با مقدار برآورد شده از روش رگرسیون دو متغیره آماری مقایسه گردید. مدل شبکه عصبی مورد استفاده در این تحقیق مدل پس انتشار خطا (BP) با تابع محرک سیگموئید می باشد. نتایج حاصل از این تحقیق نشان داد, که مقدار خطای برآوردی در روش شبکه عصبی کمتر از روش رگرسیون آماری دو متغیره می باشد. بنابراین روش شبکه عصبی مصنوعی با ضریب همبستگی (r2) در سطح معنی داری 5 درصد, 62.94 درصد و خطای11.88 RMSE  و هم چنین خطای 3.7 MAE از دقت بالاتری نسبت به روش رگرسیونی بر خوردار بوده و در نتیجه در مدل سازی بارش - رواناب, روش شبکه عصبی مصنوعی بر روش رگرسیون دو متغیره آماری ارجحیت دارد. در نهایت با در نظر گرفتن سادگی ساختار, نوع اطلاعات مورد نیاز مدل های شبکه عصبی مصنوعی و سرعت بالای آنها, می توان نتیجه گرفت که دقت به دست آمده در بسیاری از پروژه ها به خصوص در مراحل اول طراحی که اطلاعات موجود چندان زیاد نیستند, بسیار مطلوب می باشد.

استنادها

  • ثبت نشده است.
  • ارجاعات

    استناددهی

    APA: کپی

    ذرتی پور، امین، سلاجقه، علی، المعالی، نگار، و محمدعسگری، حسین. (1388). بررسی مدل بارش - رواناب با استفاده از روش های شبکه عصبی مصنوعی و رگرسیونی دو متغیره آماری (مطالعه موردی در حوزه آبخیز میناب). پژوهش های آبخیزداری (پژوهش و سازندگی)، 22(2 (پیاپی 83))، 69-74. SID. https://sid.ir/paper/200677/fa

    Vancouver: کپی

    ذرتی پور امین، سلاجقه علی، المعالی نگار، محمدعسگری حسین. بررسی مدل بارش - رواناب با استفاده از روش های شبکه عصبی مصنوعی و رگرسیونی دو متغیره آماری (مطالعه موردی در حوزه آبخیز میناب). پژوهش های آبخیزداری (پژوهش و سازندگی)[Internet]. 1388؛22(2 (پیاپی 83)):69-74. Available from: https://sid.ir/paper/200677/fa

    IEEE: کپی

    امین ذرتی پور، علی سلاجقه، نگار المعالی، و حسین محمدعسگری، “بررسی مدل بارش - رواناب با استفاده از روش های شبکه عصبی مصنوعی و رگرسیونی دو متغیره آماری (مطالعه موردی در حوزه آبخیز میناب)،” پژوهش های آبخیزداری (پژوهش و سازندگی)، vol. 22، no. 2 (پیاپی 83)، pp. 69–74، 1388، [Online]. Available: https://sid.ir/paper/200677/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button