مقایسه شبکه‌های مختلف شبکه عصبی مصنوعی در پیش بینی ظریف روان -آب رگبار

سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,149

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:

RCSDSBCS02_021

تاریخ نمایه سازی: 7 آذر 1391

چکیده مقاله:

در علوم مهندسی منابع آب و هیدرولوژی شناخت و تحلیل تغییرات بارش و توانا به سختی از نیازهای اساسی محسوب می‌شود. برآورد روان آب حاصل از بارش در یک حوزه آبخیز از جهات گوناگون دارای اهمیت می‌باشد. حرکت این تحقیق تخمین ضریب توانا به رگبار با استفاده از شبکه عصبی مصنوعی است. برای این منظور کلیه اطلاعات بارش - روان آب و 33 واقع منطقه طی سال‌های 1330 تا 1385 قطعه کار قرار گرفت. سپس شبکه عصبی با الگوریتم پس انتشار و قانون یادگیری لونبرگ مارکوارت و استفاده از تابع پدیده مورد سیگموئید در لایه مخفی و تاب خطیب در لایه خروجی آموزش داده شد. شاخص j ، مدت بارش، مقدار بارش، بارش پنج روز قبل به شدت بارش به عنوان ورودی شبکه و ضریب توانا به عنوان خروجی برای شبکه مد نظر قرار گرفت. نتایج حاصل نشان داد شبکه‌ای با چارک های شدت بارش و شاخه سفید به عنوان ورودی و 25 نرون لایه پنهان کمترین مقدار میانگین مربعات خطا و بیشترین ضریب کارآیی اعتبارسنجی را در تخمین ضریب رواناب دارا می باشد.

کلیدواژه ها:

بار - اریه نیشابور ، شبکه عصبی مصنوعی ، ضریب روا ناب

نویسندگان

مینا جعفری

دانش کارشناسی ارشد آبخیزداری - دانشکده منابع طبیعی به علوم دریایی دانش

مهدی وفاخواه

استادیار گروه مهندسی آبخیزداری - دانشکده منابع طبیعی و علوم دریایی دان

هیراد عبقری

استادیار گروه مهندسی آبخیزداری - دانشکده منابع طبیعی دانشگاه ارومیه

احد توسلی

دانش آموخته کارشناسی ارشد دانشکده منابع طبیعی و علوم دریایی دانشگاه

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 :
  • احمدزاده قره‌گویز، ک، میرلطیفی، س، م. محمدی، ک. 1389: مقایسه ...
  • -تسلطی، ب . 1382 :برآورد سطح آب زیر زمینی با ...
  • -توسلی، ا، 1387: دینامیک ضریب روان‌آب در مقیاس رگبار در ...
  • -رادمان، ر.، علی محمدی، س. و جباری، ا.، 1383: مقایسه ...
  • -مهدوی، م. 1384: هیدرولوژی کاربردی، جلد دوم، چاپ چهارم، انتشارات ...
  • -مهدی‌زاده، م. 1383: شبکه های عصبی مصنوعی و کاربرد آن ...
  • Anctil, F., C.H. Perrin and _ Andreassia. 2004. Impact of ...
  • -ASCE Tas Committee. 2000. Artificial neural networks in hydrology, II: ...
  • -Braddock, R.D., M.L. Kremmer and L. Sanzogni. 1998. Feedforward artiicial ...
  • -Lorrai, M. and H.M. Sechi. 1995. Neural networks for modeling ...
  • -Smith, J. and R.N. Eli. 1995. Neural network models of ...
  • -Tokar, A.S. and M. Markus. 2000. Precipit ation-runoff modeling using ...
  • Master science student in watershed management, college of natural resources ...
  • Assistant Professor of watershed management, college of natural resources and ...
  • Assistant Professor of watershed management, college of natural resources, Urmia ...
  • Postgraduate of watershed management, college of natural resources and marine ...
  • نمایش کامل مراجع