سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

ارزیابی کارایی مدل شبکه عصبی مصنوعی در شبیه سازی فرآیند بارش_رواناب (مطالعه موردی:حوزه آبخیز بالخلوچای)

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 610

فایل این مقاله در 10 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:

NACONF01_1107

تاریخ نمایه سازی: 25 خرداد 1393

چکیده مقاله ارزیابی کارایی مدل شبکه عصبی مصنوعی در شبیه سازی فرآیند بارش_رواناب (مطالعه موردی:حوزه آبخیز بالخلوچای)

فرآیند بارش- رواناب مهمترین فرآیند هیدرولوژیکی تأثیرگذار بر منابع آب در دسترس بشر است. مطالعه این فرآیند نقطه شروع یک مدیریت صحیح و در راستای توسعه پایدار است. مدل‌ها و روابط مختلفی جهت این مطالعه ارائه شده است که مدل شبکه عصبی مصنوعی به دلیل توانایی بالا در تجزیه و تحلیل سیستم‌های پیچیده‌ و غیرخطی مانند فرآیند بارش- رواناب کاربرد گسترده‌ای در علوم مرتبط با آب دارد. از این رو در این تحقیق کارایی شبکه عصبی مصنوعی پرسپترون چند لایه که عمدتا در شبیه‌سازی بارش- رواناب به کار برده می‌شود، جهت شبیه‌سازی بارش- رواناب و تخمین پارامتر دبی ماهانه حوزه آبخیز بالخلوچای و با استفاده از عوامل اقلیمی شامل بارندگی و تبخیر، مورد استفاده قرار گرفت. نکته قابل توجه در شبکه عصبی مصنوعی ساختار شبکه است که تعداد و آرایش لایه‌ها و نرون‌ها را مشخص می‌کند. در نهایت از بین ساختارهای مختلف طراحی شده و باتوجه به ضرایب کارایی مدل شامل ضریب همبستگی، میانگین مربعات خطا، میانگین مربعات خطای نرمال شده و میانگین مطلق خطا (به ترتیب برابر با 923/.، 0145/.، 276/. و 103/.)، شبکه عصبی مصنوعی پرسپترون چند لایه با تعداد 3 لایه مخفی و 3 نرون در هر لایه مخفی، الگوریتم مومنتم و تابع محرک تانژانت هایپربولیک که توانست دبی ماهانه مربوط به دوره 24 ماهه تست را با دقت قابل قبولی شبیه‌سازی کند، به عنوان دقیق‌ترین مدل و ساختار انتخاب شد.

کلیدواژه های ارزیابی کارایی مدل شبکه عصبی مصنوعی در شبیه سازی فرآیند بارش_رواناب (مطالعه موردی:حوزه آبخیز بالخلوچای):

نویسندگان مقاله ارزیابی کارایی مدل شبکه عصبی مصنوعی در شبیه سازی فرآیند بارش_رواناب (مطالعه موردی:حوزه آبخیز بالخلوچای)

رسول ایمانی

دانشجوی کارشناسی ارشد دانشکده منابع طبیعی و علوم زمین،دانشگاه کاشان

علی آلبوعلی

دانشجوی کارشناسی ارشد دانشکده منابع طبیعی و علوم زمین،دانشگاه کاشان

هدی قاسمیه

استادیار دانشکده منابع طبیعی و علوم زمین،دانشگاه کاشان

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 :
مهدوی، م. (1390)، هیدرولوژی کاربردی، جلد دوم، انتشارات دانشگاه تهران ...
اسکندری‌نیا، ع.. نظرپور، 5. امدی، م.ض. تیموری، م. مشفق، .ذ.1390. ...
بهروزی‌خزایی، ن. امیری‌چایجان، ر. توکلی‌هشتجین، ت. خوش‌تقاضا، م، 5. 1386. ...
جهان‌گیر، ع، ر، رائینی، م. ضیاءاحمدی، م، خ. 1385. شبیه‌سازی ...
دستورانی، م. شریفی‌دارانی، ح. طالبی، ع. 1390. کارایی شبکه‌های عصبی ...
دهقانی، م. مرید، س. نوروزی، ع، ا. 1389. ارزیابی شبیه ...
رضایی، ع. مهدوی، م. لوکس، ک. فیض‌نیا، س. مهدیان، م، ...
زارع‌ابیانه، ح. بیات‌ورکشی، م. 1390. ارزیابی مدل‌های هوشمند عصبی و ...
صفاری، . قنواتی، ع، ا. بهشتی‌جاوید، ا. حسینی، 5. 1392. ...
صف‌شکن، ف. پیرمرادیان، ن. افشین‌شریفان، ر. 1390. شبیه‌سازی آبنمود بارش-رواناب ...
فتاحی، ا. دلاور، م. نوحی، ک. 1391. پیش بینی جریان ...
نصری، م. مدرس، ر. دستورانی، م. 1388. کاربرد مدل شبکه ...
نصیری، ع. یمانی، م. 1388. تجزیه و تحلیل شبکه های ...
سایت اداره کل آب منطقه‌ای استان اردبیل (www.arrw.ir) ...
Ahmad, S., Simonovic, S.P. 2005. An Artificial Neural Network Model ...
Aqil, M., Kita, I., Yano, A., Nishiyama, S. 2007. A ...
Coulibaly, P., Anctil, F. and Bobee, B. (2000 .Multivariate reservoir ...
Ghumman, A.R., Ghazaw, Y.M., Sohail, A.R., Watanabe, K. 2011. Runoff ...
Ju, Q., Yu, Z., Hao, , Ou, G., Zhao, J., ...
Jahangir, A., Raeni, M., Ahmadi, M. Z. and Akbarpoor, A. ...
Mendez, M.C., Manteiga, W.G., Bande, M.F., Sanchez, G.M.P., Calderon, R.L. ...
Nilsson, P. Uvo, C.B., Berndtsson, R. 2006. Monthly Runoff Simulation: ...
Rajurkar, M.P., Kothyari, U.C., Chaube, U.C. 2004. Modeling of the ...
Turan M.E., and Yurdusev A. 2009. River flow estimation from ...
Sajikumar, N. and Th andaveswara, B. S. (1999). "A non- ...
Simonovic, S. P. and Ahmad, S. 2005. "An artificial neural ...
نمایش کامل مراجع

مقاله فارسی "ارزیابی کارایی مدل شبکه عصبی مصنوعی در شبیه سازی فرآیند بارش_رواناب (مطالعه موردی:حوزه آبخیز بالخلوچای)" توسط رسول ایمانی، دانشجوی کارشناسی ارشد دانشکده منابع طبیعی و علوم زمین،دانشگاه کاشان؛ علی آلبوعلی، دانشجوی کارشناسی ارشد دانشکده منابع طبیعی و علوم زمین،دانشگاه کاشان؛ هدی قاسمیه، استادیار دانشکده منابع طبیعی و علوم زمین،دانشگاه کاشان نوشته شده و در سال 1392 پس از تایید کمیته علمی اولین همایش سراسری کشاورزی و منابع طبیعی پایدار پذیرفته شده است. کلمات کلیدی استفاده شده در این مقاله شبیه سازی،بارش_رواناب،شبکه عصبی مصنوعی،حوزه آبخیز بالخلوچای هستند. این مقاله در تاریخ 25 خرداد 1393 توسط سیویلیکا نمایه سازی و منتشر شده است و تاکنون 610 بار صفحه این مقاله مشاهده شده است. در چکیده این مقاله اشاره شده است که فرآیند بارش- رواناب مهمترین فرآیند هیدرولوژیکی تأثیرگذار بر منابع آب در دسترس بشر است. مطالعه این فرآیند نقطه شروع یک مدیریت صحیح و در راستای توسعه پایدار است. مدل‌ها و روابط مختلفی جهت این مطالعه ارائه شده است که مدل شبکه عصبی مصنوعی به دلیل توانایی بالا در تجزیه و تحلیل سیستم‌های پیچیده‌ و غیرخطی مانند فرآیند بارش- رواناب کاربرد ... . این مقاله در دسته بندی موضوعی شبکه عصبی طبقه بندی شده است. برای دانلود فایل کامل مقاله ارزیابی کارایی مدل شبکه عصبی مصنوعی در شبیه سازی فرآیند بارش_رواناب (مطالعه موردی:حوزه آبخیز بالخلوچای) با 10 صفحه به فرمت PDF، میتوانید از طریق بخش "دانلود فایل کامل" اقدام نمایید.