ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

استفاده از سری های زمانی و الگوریتم ژنتیک در شبکه عصبی مصنوعی تکاملی برای روندیابی سیلاب در رودخانه (مطالعه موردی: رودخانه اعظم هرات)

سال انتشار: 1397
کد COI مقاله: WRM07_192
زبان مقاله: فارسیمشاهد این مقاله: 125
فایل این مقاله در 11 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 11 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله استفاده از سری های زمانی و الگوریتم ژنتیک در شبکه عصبی مصنوعی تکاملی برای روندیابی سیلاب در رودخانه (مطالعه موردی: رودخانه اعظم هرات)

فاطمه جعفری ندوشن - کارشناس ارشد منابع آب، دانشگاه ارومیه
عابد حسامی - کارشناس ارشد منابع آب ، دانشگاه ارومیه
جواد بهمنش - استادیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه

چکیده مقاله:

روندیابی سیلاب یکی از پیچیده ترین مسایلی است که در علم هیدرولیک کانال های باز و مهندسی رودخانه مورد بررسی قرار گرفته است. در این تحقیق کاربرد مدل های خطی سری های زمانی همچون ARMA و AR و ترکیب دو اگوریتم ژنتیک و لونبرگ به عنوان یک روش مبتنی بر گرادیان مرتبه دوم در پیش بینی روزانه دبی رودخانه اعظم واقع در استان یزد مورد ارزیابی قرار گرفت. مقادیر دبی روزانه از سال 1366 تا سال 1387 برای انتخاب بهترین مدل سری زمانی و بهترین ساختار شبکه و از داده های سال 1388 تا سال 1392 برای مقایسه روش ها استفاده شد. نتایج این تحقیق نشان داد که مدل سری زمانی AR(8) نتایج بهتری در مقایسه با دیگر مدل های خطی داشت. کاربرد شبکه عصبی مصنوعی MLP و RBF نیاز در پیش بینی دبی روزانه رودخانه سنجیده شد. نتایج نشان داد که شبکه MLP عملکرد بهتری نسبت به شبکه RBF دارد. به منظور مقایسه عملکرد مدل های سری زمانی خطی با شبکه های عصبی مصنوعی، بهترین سری زمانی خطی (مدل خطی (AR(8) و مدل MLP تحت آموزش ترکیبی GA-LM مقایسه گردید. طبق نتایج به دست آمده، شبکه های عصبی مصنوعی مقادیر دبی روزانه را با دقت بالاتری نسبت به مدل های سری زمانی شبیه سازی کرده و عملکرد بهتری نسبت به مدل های سری زمانی در پیش بینی دبی روزانه این رودخانه دارند.

کلیدواژه ها:

پيش بيني جريان روزانه، سري زماني خطي، شبكه عصبي پرسپترون چندلايه ( MLP )، شبكه RBF ، الگوريتم تركيبي GA-LM ، مدل ( AR )

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/845563/

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:
جعفری ندوشن، فاطمه و حسامی، عابد و بهمنش، جواد،1397،استفاده از سری های زمانی و الگوریتم ژنتیک در شبکه عصبی مصنوعی تکاملی برای روندیابی سیلاب در رودخانه (مطالعه موردی: رودخانه اعظم هرات)،هفتمین کنفرانس ملی مدیریت منابع آب ایران،یزد،،،https://civilica.com/doc/845563

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: (1397، جعفری ندوشن، فاطمه؛ عابد حسامی و جواد بهمنش)
برای بار دوم به بعد: (1397، جعفری ندوشن؛ حسامی و بهمنش)
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
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

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: 11,919
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 پیشنهادی مرتبط

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