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

مقاله مقاله نشریه

مشخصات مقاله

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:

710
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

0
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

گزارش فنی: مدل شبکه عصبی مصنوعی پرسپترون چند لایه برای پیش بینی دبی روزانه بار معلق رسوب و ارزیابی عوامل موثر در برآورد رسوب

صفحات

 صفحه شروع 249 | صفحه پایان 255

چکیده

 پیش بینی مقدار رسوب در طرح های مهندسی منابع آب نظیر تأسیسات تنظیم و انحراف جریان و سدهای مخزنی از عوامل مهم در تعیین عمر مفید و بررسی عملکرد آن ها است. در این تحقیق مدلی برای تخمین دبی روزانه رسوب, با استفاده از مدل شبکه عصبی پرسپترون چند لایه با الگوریتم یادگیری پس انتشار خطا ارائه شد و عملکرد مدل با مدل رگرسیون غیرخطی چند متغیره و منحنی سنجه رسوب در مراحل آموزش و آزمون مقایسه شد. بدین منظور از داده های دبی لحظه ای, بارش, شماره روز در سال و دبی آب در روز قبل در محدوده سال های 1388-1369 در ایستگاه پل زغال واقع در حوضه رودخانه چالوس استفاده شد. نتایج حاصل از آزمون ترکیب مختلف مجموعه داده های ورودی نشان داد, ابتدا پارامتر دبی لحظه ای, سپس دبی روز قبل و در نهایت عوامل بارش و شماره روز سال به ترتیب بیشترین تأثیر را در عملکرد مدل دارند, این نتایج تطابق نسبتا خوبی با نتایج حاصل از آنالیز ضرایب استاندارد شده مدل رگرسیونی دارد. برای مقایسه ساختارهای مختلف شبکه عصبی از معیارهای ضریب تبیین (R2) و جذر میانگین مربع خطا (RMSE) استفاده شد. بدین ترتیب با حذف متغیر شماره روز سال, بهترین شبکه با ساختار 1-5-3 و مقادیر 0. 89= R2 و 0. 02=RMSE به دست آمد. نتایج حاصل از مقایسه مدل ها نشان داد, در مرحله آموزش و آزمون به ترتیب روش منحنی سنجه و مدل شبکه عصبی بهترین عملکرد را به خود اختصاص داده اند و مدل شبکه عصبی مقدار ضریب همبستگی را تقریباً 16 درصد نسبت به دو روش دیگر افزایش داد. با استفاده از نتایج این تحقیق, عوامل موثر بر تخمین دبی رسوب شناسایی شده و می توان در پروژه ها, با صرف وقت و هزینه کمتر برآورد دقیق تری از دبی رسوب داشت.

استنادها

  • ثبت نشده است.
  • ارجاعات

  • ثبت نشده است.
  • استناددهی

    APA: کپی

    تنهاپور، میترا، و بنی حبیب، محمدابراهیم. (1397). گزارش فنی: مدل شبکه عصبی مصنوعی پرسپترون چند لایه برای پیش بینی دبی روزانه بار معلق رسوب و ارزیابی عوامل موثر در برآورد رسوب. مهندسی و مدیریت آبخیز، 10(2 )، 249-255. SID. https://sid.ir/paper/234581/fa

    Vancouver: کپی

    تنهاپور میترا، بنی حبیب محمدابراهیم. گزارش فنی: مدل شبکه عصبی مصنوعی پرسپترون چند لایه برای پیش بینی دبی روزانه بار معلق رسوب و ارزیابی عوامل موثر در برآورد رسوب. مهندسی و مدیریت آبخیز[Internet]. 1397؛10(2 ):249-255. Available from: https://sid.ir/paper/234581/fa

    IEEE: کپی

    میترا تنهاپور، و محمدابراهیم بنی حبیب، “گزارش فنی: مدل شبکه عصبی مصنوعی پرسپترون چند لایه برای پیش بینی دبی روزانه بار معلق رسوب و ارزیابی عوامل موثر در برآورد رسوب،” مهندسی و مدیریت آبخیز، vol. 10، no. 2 ، pp. 249–255، 1397، [Online]. Available: https://sid.ir/paper/234581/fa

    مقالات مرتبط نشریه ای

    مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    مرکز اطلاعات علمی SID
    strs
    دانشگاه امام حسین
    بنیاد ملی بازیهای رایانه ای
    کلید پژوه
    ایران سرچ
    ایران سرچ
    فایل موجود نیست.
    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