ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

Development of a PSO-ANN Model for Rainfall-Runoff Response in Basins, Case Study: Karaj Basin

تعداد صفحات: 10 | تعداد نمایش خلاصه: 108 | نظرات: 0
سال انتشار: 1395
کد COI مقاله: JR_CEJ-3-1_003
زبان مقاله: انگلیسی
(فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.

با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید.در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.

لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.

برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 10 صفحه است در اختیار داشته باشید.

قیمت این مقاله : 3,000 تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله Development of a PSO-ANN Model for Rainfall-Runoff Response in Basins, Case Study: Karaj Basin

Meysam Motahari - MSc, Department of Water Engineering, Imam Khomeini International University, Qazvin, Iran.
Hamed Mazandaranizadeh - Assistant Professor, Department of Water Engineering, Imam Khomeini International University, Qazvin, Iran.

چکیده مقاله:

Successful daily river flow forecasting is necessary in water resources planning and management. A reliable rainfall-runoff model can provide useful information for water resources planning and management. In this study, particle swarm optimization algorithm (PSO) as a metaheuristic approach is employed to train artificial neural network (ANN). The proposed PSO-ANN model is applied to simulate the rainfall runoff process in Karaj River for one and two days ahead. In this regard, different combinations of the input variables including flow and rainfall time series in previous days have been taken under consideration in order to obtain the best model s performances. To evaluate efficiency of the PSO algorithm in training ANNs, separate ANN models are developed using Levenberg-Marquardt (LM) training algorithm and the results are compared with those of the PSO-ANN models. The comparison reveals superiority of the PSO algorithm than the LM algorithm in training the ANN models. The best model for 1 and 2 days ahead runoff forecasting has R2 of 0.88 and 0.78. Results of this study shows that a reliable prediction of runoff in 1 and 2 days ahead can be achieved using PSO-ANN model. Overall, results of this study revealed that an acceptable prediction of the runoff up to two days ahead can be achieved by applying the PSO-ANN model

کلیدواژه ها:

Particle Swarm Optimization; Metaheuristics ; Neural Networks; Runoff Forecasting

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/630157/

کد COI مقاله: JR_CEJ-3-1_003

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
Motahari, Meysam و Mazandaranizadeh, Hamed,1395,Development of a PSO-ANN Model for Rainfall-Runoff Response in Basins, Case Study: Karaj Basin,,,,,https://civilica.com/doc/630157

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1395, Motahari, Meysam؛ Hamed Mazandaranizadeh)
برای بار دوم به بعد: (1395, Motahari؛ Mazandaranizadeh)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

صدور گواهی نمایه سازی | گزارش اشکال مقاله

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: 5,090
در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

مقالات مرتبط جدید

به اشتراک گذاری این صفحه

اطلاعات بیشتر درباره COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.

پشتیبانی