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

مقایسه مدل های شبکه عصبی مصنوعی و منحنی سنجه رسوب در شبیه سازی میزان رسوب معلق؛ مطالعه موردی حوزه آبخیز شاهرود

سال انتشار: 1396
کد COI مقاله: JR_WATER-7-3_003
زبان مقاله: فارسیمشاهد این مقاله: 100
فایل این مقاله در 15 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 15 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله مقایسه مدل های شبکه عصبی مصنوعی و منحنی سنجه رسوب در شبیه سازی میزان رسوب معلق؛ مطالعه موردی حوزه آبخیز شاهرود

صدیقه محمدی - پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان

چکیده مقاله:

این پژوهش با هدف مقایسه کارآیی برخی مدل های شبیه­سازی میزان رسوب معلق شامل منحنی سنجه رسوب و شبکه عصبی مصنوعی و ارائه مدل بهینه بر اساس دبی جریان در حوزه آبخیز شاهرود و بر روی ایستگاه­های هیدرومتری گلینک، باغکلایه، لوشان و رجائی دشت انجام شد. به منظور شبیه­سازی میزان رسوب معلق از مدل منحنی سنجه رسوب یک خطی و مدل­های شبکه عصبی پرسپترون چند لایه و تابع پایه شعاعی بهره گرفته و سپس ارزیابی این مدل­ها با استفاده از ضریب NASH و RMSE انجام شد. نتایج حاصل از این پژوهش حاکی از آن است که در کلیه ایستگاه­های هیدرومتری مورد بررسی، مدل شبکه عصبی مصنوعی در مقایسه با مدل منحنی سنجه رسوب نتایج بهتری ارائه کرد. به طوری که مدل شبکه عصبی مصنوعی پرسپترون چند لایه با تابع تحریک سیگموئید در ایستگاه های گلینک  و رجایی­دشت به ترتیب با RMSE، 033/1 و 825/0 تن در روز و ضریب NASH، 84/0و 839/0 و این مدل با تابع تحریک تانژانت سیگموئید در ایستگاه­های باغکلایه و لوشان به ترتیب با RMSE، 799/0 و 883/0 تن در روز و ضریب NASH، 772/0 و 895/0 کارآیی بهتری در شبیه­سازی میزان رسوب معلق دارد. همچنین مقایسه نتایج حاصل از دو مدل شبکه عصبی مصنوعی نشان داد که شبکه­های MLPدر مقایسه با شبکه­های RBF از دقت بیشتری در شبیه سازی میزان رسوب معلق برخوردارند و تنها مزیت شبکه­های RBF زمان کمتر مورد نیاز برای آموزش است.

کلیدواژه ها:

واژه های کلیدی: پرسپترون چندلایه, تابع پایه شعاعی, شاهرود, ضریب NASH, منحنی سنجه رسوب

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/888590/

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:
محمدی، صدیقه،1396،مقایسه مدل های شبکه عصبی مصنوعی و منحنی سنجه رسوب در شبیه سازی میزان رسوب معلق؛ مطالعه موردی حوزه آبخیز شاهرود،،،،،https://civilica.com/doc/888590

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، محمدی، صدیقه؛ )
برای بار دوم به بعد: (1396، محمدی؛ )
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 ممقالهقاله لینک شده اند :

  • کاربرد شبکه های عصبی مصنوعی جهت تخمین دبی رسوب رودخانه ها [مقاله کنفرانسی]
  • ابراهیمی محمدی، ش.، س. ح . ر. صادقی و ک. ...
  • امجدی، ن. 1381. آشنایی با سیستم های هوشمند،  انتشارات دانشگاه ...
  • دستورانی، م. ت.،  خ.  عظیمی فشی، ع. طالبی، و م. ... [مقاله ژورنالی]
  • دهقانی، ا.، م. ا.، زنگانه، ا. مساعدی، و ن. کوهستانی. ...
  • سلاجقه، ع .، ا. فتح آبادی. 1388. بررسی امکان برآورد ...
  • شاهرخی، س. ح.، ج.، ظهیری، 1. جعفری، 1395. کاربرد الگوریتم ...
  • صدر موسوی، م. س. و ا. رحیمی. 1389. مقایسه نتایج ...
  • عرب خدری. م. 1388. برآورد رسوبدهی و تهیه نقشه تولید ...
  • فلامکی، ا.، اسکندری، م.، بغلانی، ع. ا. و س. ا. ...
  • معیری، م. م.، م. ر.، نیک پور، ع. حسین زاده ...
  • ملکی نژاد، ح. و ر. پورشرعیاتی. 1392. کاربرد و مقایسه ...
  • منهاج، م.ب. 1393. مبانی شبکه های عصبی (هوش محاسباتی)، انتشارات ...
  • ولی، ع.، . ح.، رامشت، مع. سیف، و ر. قضاوی.1390. ... [مقاله ژورنالی]
  • یوسفی، م. و ر. پورشرعیاتی. 1393. برآورد رسوب معلق با ... [مقاله ژورنالی]
  • یوسفی، م. و ف. برزگری. 1394. تعیین مناسب ترین روش ...
  • Ahmat Nor, N. I. B. 2005. Rainfall-runoff Modelling using Artificial ...
  • Beale, R. and T. Jackson. 1990. Neural Computing: An Introduction. ...
  • Bissonnais, Y. L., C. Monitor, M. Jamagne, J. Daroussin and ...
  • Chelani, A.B., R.C.V. Chalapati, K.M. Phadke and M.Z. Hasan. 2002. ...
  • Cigizoglu, H. K. and O. Kisi. 2007. Methods to improve ...
  • Cigizoglu, H.K. and M. Alp. 2006. Generalized regression neural network ...
  • Demuth, H., M. Beal and M. Hagan. 1992-2009, Neural Network ...
  • Heng, S. and T. Suetsugi. 2013. Using artificial neural network ...
  • Jansson, M.B. 1996. Estimating a sediment rating curve of the ...
  • Kisi, O. and J. Shiri.  2012. River suspended sediment estimation ...
  • Kumar, D., A. Pandey, N. Sharm and F. Wolfgang-Albert. 2016. ...
  • Lee, S., J. H. Ryu, M. J. Lee and J. ...
  • Martinez, J. A., M. Cancepcion and M. Ribes-Dasi. 2005. On ...
  • Mustafa, M. R., M. H. Isa and R. B. Rezaur. ...
  • Principe, J. C. 2000, Artificial neural networks. CRC Press LLC. ...
  • Ramos, M. C. and J. A. Martinez-Casasnovas. 2006. Erosion  rates ...
  • Rezapour, O. M., L. T. Shui  and D. B. Ahmad. ...
  • Safari, M-J., H. Aksoy and M. Mohammadi. 2016. Artificial neural ...
  • Sepahvand, A., N. Hezarkhani, M. Taei Semiromi and S.H. Asgari. ...
  • Solaimani, K. 2009. Rainfall-runoff prediction based on artificial neural network. ...
  • Sudheer, K. P. and Jain, S. K. 2003. Radial basis ...
  • Vafakhah, M. 2012. Comparison of cokriging and adaptive neuro-fuzzy inference ...
  • Vakil-Baghmisheh, M. T. 2002. Fari character recognition using artificial neural ...
  • Yang, C. T., R. Marsooli and M. T. Aalami. 2009. ...
  • 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: 2,436
    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.

    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