مقایسه شبکه عصبی مصنوعی و سیستم عصبی- فازی در برآورد بارش-رواناب در حوضه آبخیز سد زایندهرود
- سال انتشار: 1388
- محل انتشار: اولین کنفرانس بین المللی منابع آب با رویکرد منطقه ای
- کد COI اختصاصی: ICWR01_078
- زبان مقاله: فارسی
- تعداد مشاهده: 2809
نویسندگان
عضو هیئات علمی دانشکده منابع طبیعی و کویر شناسی دانشگاه یزد
عضو هیئات علمی دانشکده منابع طبیعی و کویر شناسی دانشگاه یزد
عضو هیئات علمی دانشگاه زابل
دانشجوی کارشناسی ارشد دانشکده منابع طبیعی و کویر شناسی دانشگاه یزد
چکیده
در دهه‌های اخیر به دلایل مختلف مانند افزایش آمار وقوع سیلاب و به تبع آن افزایش خسارات جانی و مالی، افزایش نیاز به تولید انرژی برقابی، افزایش نیاز به پیش‌بینی پتانسیل آبدهی حوزه‌های آبخیز به منظور تعیین مازاد رواناب تولید شده در حوضه از ظرفیت رودخانه برای تدوین طرح‌های مختلف آبرسانی شهری، صنعتی و کشاورزی و طراحی سازه‌های مختلف آبی و غیره، تمایل محققین و هیدرولوژیستها برای پیش‌بینی صحیح، دقیق و به موقع رواناب‌های ناشی از بارندگی، به میزان قابل توجهی افزایش یافته است. روشهای بی‌شماری برای این منظور توسعه یافته‌اند که از این میان، می‌توان به مدل‌های هیدرولوژیکی، روابط رگرسیونی و توابع انتقال اشاره کرد. اما دهه‌های اخیر مطالعات بیشتر به سوی روش‌هایی متمایل شده‌اند که بتوانند شرایط طبیعی را تا حدودی درک کنند و نتایج حاصل از آنها از دقت و صحت مناسب برخوردار باشند. یکی از روش‌هایی که در چند دهه اخیر در بسیاری از رشته‌ها از جمله هیدرولوژی توسعه یافته است، استفاده از روشهای هوش مصنوعی نظیر منطق فازی، شبکه‌های عصبی مصنوعی می‌باشد. با توجه به اینکه در کشور ما نیز در دهه‌های اخیر نیاز به پیش‌بینی دقیق و سریع رواناب از روی آمار بارندگی به علت افزایش تعداد سیلاب‌ها و خسارات ناشی از آنها و نیاز به ایجاد سیستم هشدار سیل، افزایش تمایل به احداث سازه‌های آبی، افزایش خشک‌سالی‌ها و نیاز به مدیریت توزیع آب موجود و غیره، به شدت افزایش یافته است، توسعه و اجرای روشهای مناسب برای پیش‌بینی رواناب از روی داده‌های بارش بسیار ضروری به نظر می‌رسد. در این مطالعه ابتدا با استفاده از آمار روزانه بارش-رواناب، به بررسی کارآیی شبکه عصبی مصنوعی و سیستم عصبی-فازی در تخمین رواناب حاصل از بارش پرداخته شد و سپس میزان دقت و صحت این دو روش با بهره‌گیری از روشهای آماری، مقایسه شد. نتایج حاصل از این مطالعه نشان می‌دهد که اگرچه خروجی‌های حاصل از شبکه عصبی مصنوعی و سیستم فازی-عصبی متفاوت می‌باشند ولی این دو روش به میزان قابل قبولی قادر به تخمین رواناب حاصل از بارش هستند.کلیدواژه ها
شبکه عصبی مصنوعی، سیستم عصبی-فازی، بارش-روانابمقالات مرتبط جدید
- کاربرد حسگرهای زیستی biosensors در تشخیص آلودگی آب
- مقایسه وبررسی مدل تغییرات منطقه ای بارش سالانه استان خوزستان با روش های کریجینگ مبتنی بر GIS ودرون یابی معکوس وزنی فاصله (IDW)
- بررسی پارامترهای کیفیت تامین آب روستای شهرستان اندیکاخوزستان
- بررسی کیفیت آب زیر زمینی آبخوان روستای شهرستان اندیکابا تاکید بر غلظت نیترات
- پهنه بندی کیفی منابع تامین آب شرب روستاهای شهرستان اندیکا با استفاده ازGIS
اطلاعات بیشتر در مورد 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.