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

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

video

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

sound

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

نسخه انگلیسی

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

بازدید:

1,662
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

722
Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

2

اطلاعات مقاله نشریه

عنوان

مدل سازی بار رسوب کل رودخانه ها با استفاده از شبکه های عصبی مصنوعی

صفحات

 صفحه شروع 13 | صفحه پایان 25

چکیده

 برآورد بار رسوب کل رودخانه ها از مسائل مهم و کاربردی در مدیریت و برنامه ریزی منابع آب است. غلظت رسوب می تواند به روش های مستقیم و یا غیرمستقیم محاسبه شود که معمولا روش های مستقیم پرهزینه و زمان بر هستند. همچنین بار رسوب کل می تواند به کمک روابط مختلف انتقال رسوب محاسبه شود, لیکن به طور معمول کاربرد این روابط نیاز به شرایط معینی داشته و به علاوه در بیشتر موارد نتایج حاصل از آن ها با یکدیگر و با مقادیر اندازه گیری شده متفاوت است. هدف از این پژوهش ارائه روشی بر پایه شبکه های عصبی مصنوعی (ANN) در تخمین بار رسوب کل بود. بدین منظور از دو نوع شبکه عصبی پرسپترون چند لایه (MLP) و توابع پایه شعاعی (RBF) و 200 نمونه, استفاده شد. 75 درصد از داده ها برای آموزش و 25 درصد برای آزمون شبکه ها در نظر گرفته شدند. متغیرهای ورودی مدل ها شامل سرعت متوسط جریان, شیب کف آبراهه, عمق متوسط, عرض آبراهه و قطر میانه ذرات رسوب و خروجی مدل, غلظت رسوب بود. متغیرهای ورودی مرحله به مرحله به شبکه ها اضافه شدند و هر بار نتایج ارزیابی شد تا مناسب ترین مدل تعیین شود. سپس نتایج حاصل از مدل های ANN با پنج معادله معروف انتقال رسوب مقایسه شدند. شاخص های آماری نشان داد که دقت شبکه های عصبی به ویژه مدل MLP در تخمین بار رسوب کل با ضریب همبستگی 0.96 بیش از سایر مدل هاست. همچنین مشخص شد که برای افزایش دقت مدل نیاز به آموزش آن با هر دو نوع داده های هیدرولوژیک و رسوب است. رابطه Ackers و White در برآورد مقدار بار رسوب کل بسیار بیش برآورد و سایر روابط, کم برآورد بودند. نتایج این پژوهش نشان داد که مدل های ارائه شده بر پایه شبکه های عصبی با مقادیر رسوب کل مشاهده شده هم خوانی بیشتری دارند و بویژه شبکه MLP می تواند مقدار رسوب را در نقاط پیک به خوبی برآورد نماید.

استنادها

ارجاعات

استناددهی

APA: کپی

فلامکی، امین، اسکندری، مهناز، بغلانی، عبدالحسین، و احمدی، سیداحمد. (1392). مدل سازی بار رسوب کل رودخانه ها با استفاده از شبکه های عصبی مصنوعی. حفاظت منابع آب و خاک، 2(3)، 13-25. SID. https://sid.ir/paper/403921/fa

Vancouver: کپی

فلامکی امین، اسکندری مهناز، بغلانی عبدالحسین، احمدی سیداحمد. مدل سازی بار رسوب کل رودخانه ها با استفاده از شبکه های عصبی مصنوعی. حفاظت منابع آب و خاک[Internet]. 1392؛2(3):13-25. Available from: https://sid.ir/paper/403921/fa

IEEE: کپی

امین فلامکی، مهناز اسکندری، عبدالحسین بغلانی، و سیداحمد احمدی، “مدل سازی بار رسوب کل رودخانه ها با استفاده از شبکه های عصبی مصنوعی،” حفاظت منابع آب و خاک، vol. 2، no. 3، pp. 13–25، 1392، [Online]. Available: https://sid.ir/paper/403921/fa

مقالات مرتبط نشریه ای

مقالات مرتبط همایشی

  • ثبت نشده است.
  • طرح های مرتبط

  • ثبت نشده است.
  • کارگاه های پیشنهادی






    بازگشت به بالا