ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
ناشر تخصصی کنفرانسهای ایران
ورود |عضویت رایگان |راهنمای سایت |عضویت کتابخانه ها
عنوان
مقاله

ارایه مدل بهینه تخمین بار رسوب معلق روزانه ورودی به مخزن سدکوثر خلخال بر پایه داده های جریان ورسوب معلق توسط شبکه های عصبی مصنوعی.

سال انتشار: 1396
کد COI مقاله: CASGC01_233
زبان مقاله: فارسیمشاهده این مقاله: 211
فایل این مقاله در 20 صفحه با فرمت PDF قابل دریافت می باشد

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 20 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله ارایه مدل بهینه تخمین بار رسوب معلق روزانه ورودی به مخزن سدکوثر خلخال بر پایه داده های جریان ورسوب معلق توسط شبکه های عصبی مصنوعی.

میلاد شکارچی - دانشجوی کارشناسی ارشد آب وسازه های هیدرولیکی،دانشگاه آزاد واحداسلامی تهران شرق
اکبر مختارپور - استادیارگروه مهندسی عمران، دانشگاه آزاد واحداسلامی تهران شرق
روح الله احمدی جزنی - استادیارگروه مهندسی عمران، دانشگاه آزاد واحداسلامی تهران شرق

چکیده مقاله:

برآوردصحیح حجم رسوبات حمل شده توسط رودخانه ها در پروژه های آبیاری از اهمیت بسیاری برخوردار است. پدیده های فرسایش و انتقال رسوب در آبراهه ها ورودخانه ها از پیچیده ترین مباحث مهندسی رودخانه می باشد.فرسایش زیاد وانتقال دایم این مواد نه تنها باعث برهم خوردن تعادل طبیعی رودخانه و آ براهه می شود، بلکه سبب ایجادخساراتی ازقبیل تغییرمسیررودخانه،انباشت رسوبات درپشت سدهاوکاهش حجم مفید آن ها نیز می گردد.شبکههای عصبی مصنوعی یک روش کاملا غیر خطی است که می تواند تقابل و ارتباط پیچیده ای بین پارامترهای ورودی و خروجی بدون داشتن دانش قبلی درباره طبیعت آن ها ایجاد کنداین تحقیق به بررسی توانایی (شبکه عصبی مصنوعی ANN وتعیین بهترین مدل برای پیش بینی باررسوبات معلق روزانه ورودی به مخزن سد کوثر خلخال دررودخانه هیروچای واقع در شمال غرب ایران می باشد. 147داده روزانه برای پیش بینی بار معلق روزانه ( SSL استفاده شده است.الگوی باررسوب معلق واردبر مخزن با شبکه ی عصبی Backpropegation- 1 ،و ساختار 1-1 - 3 -برای مرحله اموزش و 1-8-3 برای مرحله ازمون و بااستفاده ازالگوریتم Backpropagation Forward-Feed ،و تابع آموزشی LM یا همان LevenbergMarquardt ،و تابع فعالیت زیگمویید برای لایه میانی و خطی برای لایه خروجی، حاصل شده استدر نهایت با مقایسه دو ساختار موجود، ساختار -1 1--3 شبکه عصبی، برای ارایه بهترین مدل باررسوب معلق ورودی به مخزن سد انتخاب شده و بر پایه چندین شاخص عملکرد معلوم گردیده است که شبکه ی عصبی مصنوعی با سا ختار مذکور، باررسوب معلق ورودی به مخزن سد را با دقت بالاتری در مقایسه با تحلیل معمول رگرسیونی تخمین زده است.

کلیدواژه ها:

باررسوب معلق روزانه ، الگوریتم پیش خورپس انتشار خطا ، رگرسیون خطی

کد مقاله/لینک ثابت به این مقاله

کد یکتای اختصاصی (COI) این مقاله در پایگاه سیویلیکا CASGC01_233 میباشد و 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/673728/

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:
شکارچی، میلاد و مختارپور، اکبر و احمدی جزنی، روح الله،1396،ارایه مدل بهینه تخمین بار رسوب معلق روزانه ورودی به مخزن سدکوثر خلخال بر پایه داده های جریان ورسوب معلق توسط شبکه های عصبی مصنوعی.،اولین همایش بین المللی عمران، معماری و شهر سبز پایدار،همدان،https://civilica.com/doc/673728

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: (1396، شکارچی، میلاد؛ اکبر مختارپور و روح الله احمدی جزنی)
برای بار دوم به بعد: (1396، شکارچی؛ مختارپور و احمدی جزنی)
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 | من نویسنده این مقاله هستم

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 آزاد
تعداد مقالات: 1,481
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