بررسی امکان کاربرد سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) در برآورد بار رسوب معلق بابل رود
محل انتشار: پژوهشنامه مدیریت حوزه آبخیز، دوره: 6، شماره: 11
سال انتشار: 1394
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 148
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWMR-6-11_002
تاریخ نمایه سازی: 17 مهر 1400
چکیده مقاله:
برآورد بار رسوبی یکی از مهمترین مسائلی است که در مدیریت رودخانه ها و مخازن سدها و به طور کلی در پروژه های آبی اهمیت بسزائی دارد. تعداد روابط تجربی ارائه شده نشان می دهد هنوز روش تحلیلی یا تجربی مناسبی برای تخمین صحیح بار رسوب معلق پیشنهاد نشده است. در پژوهش حاضر، به منظور دستیابی به تخمینی نزدیک به واقعیت از میزان حمل رسوبات ایستگاه قرآن تالار بابلرود، از سیستم استنتاج فازی- عصبی تطبیقی ( ANFIS ) به عنوان یکی از روشهای هوش مصنوعی استفاده شده است. ابتدا، ترکیبات مختلفی بر حسب دبیهای با تاخیر زمانی به عنوان پارامترهای ورودی و دبی رسوب معلق به عنوان خروجی شبکه در نظر گرفته شد. سپس با آموزش شبکه و تعیین ساختار مطلوب بر اساس نوع، تعداد تابع عضویت و قوانین مربوطه به کمک نرمافزار MATLAB ، مناسب ترین مدل بر اساس شاخصهای آماری؛ میانگین مربعات خطا، کارآیی مدل و ضریب تبیین بدست آمد. در نتیجه، ورودی با ترکیب یک بعدی دارای سیستم استنتاج سوگنو با دو تابع عضویت مثلثی به عنوان مناسب ترین مدل معرفی گردید و با نتایج حاصل از روش منحنی سنجه رسوب مورد مقایسه قرار گرفت. در نهایت نتایج نشان داد که روش ANFIS (۰۸/۰= MSE ، ۷۸/۰= EF و ۷۲/۰= R۲ ) از صحت و دقت بالاتری نسبت به منحنی سنجه (۱۶/۰= MSE ، ۵۷/۰= EF و ۷۳/۰= R۲ ) برخوردار است و عملکرد بهتری در برآورد بار رسوب معلق دارد.
کلیدواژه ها:
Babolroud ، Suspended load ، Membership function ، Neuro-fuzzy ، Rating curve ، ANFIS ، بابل رود ، بار معلق ، تابع عضویت ، فازی- عصبی ، منحنی سنجه ، ANFIS
نویسندگان
عیسی کیا
دانشگاه علوم کشاورزی و منابع طبیعی ساری
علیرضا عمادی
دانشگاه علوم کشاورزی و منابع طبیعی ساری
رامین فضل اولی
دانشگاه علوم کشاورزی و منابع طبیعی ساری
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 :