مدلسازی رابطه دبی - اشل در رودخانه ها با استفاده از سیستم های هوشمند

سال انتشار: 1389
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 305

نسخه کامل این مقاله ارائه نشده است و در دسترس نمی باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_WASO-20-4_002

تاریخ نمایه سازی: 15 اسفند 1401

چکیده مقاله:

اندازه­گیری دائمی دبی رودخانه­ها در ایستگاههای هیدرومتری مخصوصا در مواقع سیلابی غالبا پر هزینه و مشکل می باشد، بدین منظور جهت مدل­سازی رابطه دبی- اشل مدل­های ریاضی و هوشمند متعددی توسعه یافته و مورد استفاده قرار می­گیرد. در این تحقیق از سه روش شبکه­های عصبی مصنوعی ، سیستم استنتاج عصبی- فازی و برنامه ریزی ژنتیک برای مدل­سازی رابطه دبی-اشل روزانه در دو ایستگاه یامولا و سوقوتلوهان واقع در رودخانه قیزیلیرماک کشور ترکیه استفاده شده است. مدل­سازی رابطه دبی- اشل با سه روش مذکور با ترکیب­های مختلف ورودی شامل اشل­ها و دبی انجام شد که با توجه به نتایج ارزیابی­، روش سیستم استنتاج عصبی- فازی از دقت بیشتری برخوردار است.  بدلیل  قابلیت استخراج رابطه ریاضی و انتخاب متغیرهای معنی­دار توسط روش برنامه­ریزی ژنتیک، مدل حاصل از این روش با چهار عمل اصلی{+,-,*,/}وبا ضریب تعیین، ریشه میانگین مربعات خطا و قدرمطلق میانگین خطا در ایستگاه یامولا به ترتیب ۰۰۰/۱، ۹۷۴/۰، ۵۵۲/۰ و درایستگاه سوقوتلوهان ۹۹۹/۰، ۰۹۵/۱ و ۶۳۰/۰ به عنوان بهترین مدل دبی-اشل انتخاب گردید.

نویسندگان

علی سلطانی

دانشگاه تبریز

احسان علیائی

دانشگاه بوعلی سینا همدان

محمدعلی قربانی

دانشگاه تبریز

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 :
  • Abreu GL and Ribeiro J, ۲۰۰۳. On-line control of a ...
  • Alvisi S, Mascellani G, Franchini M and Bardossy A, ۲۰۰۵. ...
  • Aytek A and Kisi O, ۲۰۰۸. A genetic programming approach ...
  • Aytek A, Asce M and Alp H, ۲۰۰۸. An application ...
  • Bhattacharya B and Solomatine DP, ۲۰۰۰. Application of artificial neural ...
  • Chang FJ and ChangYT, ۲۰۰۶. Adaptive neuro-fuzzy inference system for ...
  • Chibanga R, Berlamont J and Vandewalle J, ۲۰۰۳. Modeling and ...
  • Clair TA and Ehrman JM, ۱۹۹۸. Using neural networks to ...
  • Cigizoglu HK, ۲۰۰۳. Estimation, forecasting and extrapolation of river flows ...
  • Cigizoglu HK and Kisi O, ۲۰۰۵. Flow prediction by three ...
  • Coulibaly P, Anctil F and Bobe'e B, ۱۹۹۸. Real time ...
  • Coulibaly P, Hache M, Fortin V and Bobe'e B, ۲۰۰۵. ...
  • Deka P and Chandramouli V, ۲۰۰۳. A fuzzy neural network ...
  • JainSK, Das D and Srivastava DK, ۱۹۹۹. Application of ANN ...
  • JainSK and Chalisgaonkar D, ۲۰۰۰. Setting up stage discharge relations ...
  • Jang JSR, ۱۹۹۳. ANFIS: adaptive network based fuzzy inference systems. ...
  • Khu ST, Liong SY, Babovic V, Madsen H and Muttil ...
  • Kisi O, ۲۰۰۴. River flow modeling using artificial neural networks. ...
  • Kisi O, ۲۰۰۵. Suspended sediment estimation using neuro-fuzzy and neural ...
  • Kisi O, ۲۰۰۶. Daily pan evaporation modelling using a neuro-fuzzy ...
  • Kisi O and Cobaner M, ۲۰۰۹. Modeling river stage-discharge relationship ...
  • Koza JR, ۱۹۹۲. Genetic programming: On the programming of computers ...
  • Lin GF and Chen LH, ۲۰۰۴. A nonlinear rainfall-runoff model ...
  • Liong SY, Gautam TR, Khu ST, Babovic V, Keijzer M ...
  • Nayak PC, Sudheer KP, Rangan DM and RamasastriKS, ۲۰۰۴. A ...
  • Raman H and Sunilkumar N, ۱۹۹۵. Multivariate modeling of water ...
  • Sette S and Boullart L, ۲۰۰۱. Genetic programming: principles and ...
  • Solomatine DP and Dulal KN, ۲۰۰۳, Model trees as an ...
  • Smith J and Eli RN, ۱۹۹۵. Neural network models of ...
  • TokarAS and Johnson PA, ۱۹۹۹. Rainfall-runoff modeling using artificial neural ...
  • Ustoorikar K and Deo MC, ۲۰۰۸. Filling up gaps in ...
  • نمایش کامل مراجع