مدل سازی دبی اوج با استفاده از شبکه عصبی مصنوعی

سال انتشار: 1384
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 915

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

WATERSHED02_282

تاریخ نمایه سازی: 8 دی 1389

چکیده مقاله:

مدل مورد بحث با استفاده از شبکه عصبی مصنوعی ساخته شده و در حوزه آبخیز سفید رود (ناحیه غیر خزری) واسنجی شده است. انجام این تحقیق مبتنی بر جمع آوری و انتخاب آبنمودهایی با منشأ بارندگی در 12 زیر حوزه با زمان تمرکز برابر و یا کمتر از 24 ساعت بوده است. از کل زی ر حوز ههای انتخابی به تعداد 661 آبنمود به منظورساخت مدل انتخاب گردیده است. متغیرهای ورودی مدل شامل مساحت زیر حوزه، طول آبراهه اصلی، شیب 85-10 درصدِ طول آبراهه اصلی، ارتفاع میانه حوزه، بارندگی یکروزه سیلزا، بارندگی پن ج روز قبل نظیر، مساحت سازندهای زمین شناسی و واحدهای سنگی در سه گروه هیدرولوژیکی یک، دو و سه و دبی پایه و متغیر خروجی تنها دبی اوج بوده است. میزان عملکرد آن بر مبنای میانگین مربع خطا بین دبی های اوج مشاهده ای و برآورد شده معیار شده با استفاده از دسته داده های اعتبار سنجی برابر با0/34 است. ضریب تعیینR2 و ضریب فیشیر نیزF) به ترتیب0/85 و 32/67 می باشد که بیانگر معنی دار بودن آن در سطح یک درصد خطا است.

نویسندگان

علی رضایی

استاد یار پژوهش

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • آوریده، ف. 1377. کاربرد تئوری هیدروانفورماتیک در انتقال رسوب و ...
  • حسینی، ه. 1379. مدل شبکه عصبی مصنوعی برای تعیین هیدروگراف ...
  • شبکه عصبی مصنوعی و مدل سازی فرسایش خاک [مقاله کنفرانسی]
  • رضائی، ع. 1382. شبیه سازی آبنمود ذوب برف بر اساس ...
  • رهنما، م.ب. و ج. موسوی. 1382. پیش‌بینی سیلاب حوضه آبرز ...
  • شرکت سهامی آب منطقه‌ای گیلان - معاونت مطالعات پایهنابع آب.1379. ...
  • منهاج، م. ب. 1377. مبانی شبکه‌های عصبی. جلد اول، مرکز ...
  • ناظمی، ع. 135. کاربرد محاسبات نرم در مهندسی منابع آب. ...
  • Anctil, F; C .Michel, C .Perrin and V.Andreas sian. 2004. ...
  • Babovic, V. and V H. Bojkov. 2001. Runoff modelling with ...
  • 1 _ B anihabib, M .E. and et al. 1997. ...
  • 2. Danh, N ;T.H.N.Phien and A.D.Gupta. 1999. Neural network models ...
  • Deo, M.C. and K. Thirumalayah. 2000. Real time forcasting using ...
  • Dietterich, T.G. 1997. Machine learning research: four current directions. AI ...
  • Embrechts, M.J., F. Arciniegas, M. Ozdemir, C. Breneman, K. Bennett ...
  • 6. Engelbrecht, A.P. and I. Cloete 1996. A sensitivity analysis ...
  • Gevrey, M :I.Dimopoulos and S.Lek. 2003. Review and comparison of ...
  • Hall, M.J. and A.W. Minns. 1998. Regional flood frequency analysis ...
  • Hashem, S. 1992. Sensitivity analysis for feedforward artificial neural networks ...
  • Horton, R.E. 1945. Erosion development of streams and their draiage ...
  • Jankowski, N. and W. Duch. 2001. Optimal transfer function neural ...
  • Jerry, E.P. 2000. Exploiting inherent robustness and natural dynamics in ...
  • Lange, N.T. 1999. New mathematict approaches in hydrologyical modeling: _ ...
  • Madsen, H., M.B. Butts, S.T. Khu and S.Y. Liong. 2000. ...
  • Maier, H.R. and G.C. Dandy. 2000. Neural networks for the ...
  • Markus, M., J.D. Salas and H Shin. 1995. Predicting streamflows ...
  • Ramo S -Nino, M .E; C _ A _ Ramirez ...
  • Salas, J.D., M. Markus and A.S. Tokar. 2000. Streamflow forcasting ...
  • Saltelli, A., K. Chan and E.M. Scott. 2000. Sensitivity analysis. ...
  • Shahin, M.A., H.R. Maier and M.B. Jaksa. 2000. Evolutionary data ...
  • Solomatine, D.P. 2002. Data-driven modelling: paradigm, methods, experiences. Proc. _ ...
  • Tingsanchali, T. and M.R. Gautam. 2000. Application of tank, NAM, ...
  • Tokar, A.S. and M. Markus. 2000. Prec ip itation-runof. modeling ...
  • Vaziri, M. 1998. Time series analysis of Urmia Lake surface ...
  • نمایش کامل مراجع