مدل سازی فرسایش پاشمانی تولید شده در باران ساز با استفاده از سه روش شبکه عصبی مصنوعی، نوروفازی و ماشین بردار پشتیبان

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 115

فایل این مقاله در 9 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:

JR_JWMS-10-35_007

تاریخ نمایه سازی: 5 دی 1402

چکیده مقاله:

فرسایش پاشمانی باران به عنوان اولین رویداد در فرسایش خاک، حرکت ذرات و کلوخه های خاک را سبب می شود و یک فرآیند مهم در فرسایش محسوب می شود .با توجه به پیچیدگی این فرآیند در طبیعت یکی از راه های شناخت و مدل سازی این فرآیند استفاده از شبیه ساز باران و مطالعه آن در آزمایشگاه می باشد. بدین منظور در این تحقیق اقدام به شبیه سازی مقدار مواد حمل شده در شدت های مختلف بارش و به ازای مقادیر مختلف پلی اکریل امید گردید. پس از اندازه گیری مقدار مواد حمل شده در دوام های و مقادیر مختلف پلی اکریلامید، با استفاده از روش های شبکه عصبی مصنوعی، ANFIS و SVMمدل سازی مواد حمل شده صورت گرفت. نتایج نشان داد در بین سه روش مورد استفاده بهترین مقادیر معیارهای ارزیابی مربوط به روش SVM و سپس ANFIS می باشد. در بین سه دوام مورد بررسی نیز بهترین نتایج مربوط به آزمایش با داوم ۳۰ دقیقه بوده است. نتایج این تحقیق نشان داد در روش ANFIS با توجه به داده های در دسترس با افزایش تعداد توابع عضویت بیش برازشی اتفاق می افتد. جهت کاهش پیچیدگی مدل و احتمال وقوع بیش برازشی برخی از قوانین حذف گردید. نتایج نشان داده با حذف برخی قوانین عملکرد مدل بهبود یافت.

کلیدواژه ها:

نویسندگان

مهدی بروغنی

تربیت مدرس

سمیه سلطانی

دانشگاه اردکان یزد

حسن فتح آبادی

دانشگاه گنبد

نفیسه قزل سفلو

دانشگاه اردکان یزد

سیما پورهاشمی

دانشگاه حکیم سبزواری

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 :
  • Abraham, A. and Nath, B. ۲۰۰۱. Hybrid intelligent systems de-sign ...
  • Akbarzadeh, A. TaghizadehMehrjardi, R. Rouhipour, H. Gorji, M.andRefah H.G .۲۰۰۹. ...
  • Boroghani, M. Hayavi, F. and Noor, H. ۲۰۱۲. Affectability of ...
  • Brown, A.G. and Quine, T.A.. ۱۹۹۹. Fluvial processes and environmental ...
  • ÇIMEN, M .۲۰۰۸. Estimation of daily suspended sediments using support ...
  • Han, D. Chan, L. and Zhu, N. ۲۰۰۷. Flood forecasting ...
  • He, Z. Wen, X. Liu, H. and Du, J. ۲۰۱۴. ...
  • Hornik, K. Stinchcombe, M. and White, H. ۱۹۸۹. Multilayer feedforward ...
  • Jang ,J.S.R. ۱۹۹۳. ANFIS: Adaptive-network-based fuzzy inference systems. IEEE Trans ...
  • KakaeiLafdani, E. Moghadam Nea, A. Ahmadi, Azadeh. And ,Ebrahimi, H. ...
  • Qinjuan, C. Qiangguo, C. and Wenjun, M. ۲۰۰۸. Comparative study ...
  • Schildt,G.,۱۹۹۸.A Distributed User Adaptive Neuro-fuzzy controller Application for home Automation. ...
  • Shu, C. Ouarda, T.B.M.J. ۲۰۰۸. Regional flood frequency analysis at ...
  • Sojka, RE. ۲۰۰۶ PAM Research Project. http://kimberly.ars.usda.gov/pampage.shtml. Cited ۲ Jan۲۰۰۸۱۸. ...
  • Vandijk, A. I. J. M. Bruijnzeel, L. A. and Eisma, ...
  • Vapnik, V. ۱۹۹۵. The Nature of Statistical Learning Theory. Springer, ...
  • Wallace, A,. and Wallace, GA .۱۹۸۶. Effects of soil conditioners ...
  • Wang, W.J. Xu, Z.B. Lu, W.Z. and Zhang, X.Y. ۲۰۰۳. ...
  • Yu, P.S. Chen, S.T. and Chang, I.F. ۲۰۰۶. Support vector ...
  • نمایش کامل مراجع