ارزیابی شبکه عصبی مصنوعی در برآورد بارش- رواناب (مطالعه موردی رودخانه کرج)

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 626

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ACUC01_004

تاریخ نمایه سازی: 14 دی 1394

چکیده مقاله:

پیش بینی رابطه بارندگی- رواناب یکی از مهمترین و پیچیده ترین مولفهها در کنترل و مدیریت سیستمهای منابع آب برای مدیران و مهندسین آب به شمار میآید و با توجه به طیف گستردهای از تکنیکهای مدلسازی بارش- رواناب به یک کار چالش برانگیز تبدیل شده است. با توجه به پیچیدگی پیشبینی رابطه بارش- رواناب و همچنین غیر خطی بودن این رابطه محققان به استفاده از مدل جعبه سیاه، شبکه عصبی مصنوعی روی آوردند. در تحقیق حاضر نیز اقدام به استفاده از شبکههای عصبی مصنوعیANN و فازی عصبی تطبیقیANFIS برای پیشبینی بارش- رواناب به صورت ماهانه درحوزه آبریز کرج گردید، برای این مدلسازی از چهار الگوی مختلف ورودی بارش و دما استفاده گردید و همچنین ازمعیارهای ضریب همبستگی R2 و مجذور میانگین مربعات خطاRMSEبه منظور ارزیابی و مقایسه عملکرد شبکه عصبی با مدل استنتاج عصبی فازیANFISاستفاده گردید. بررسی حالت های مختلف نشان داد که مدلANFIS با تابع گوسی و الگوی ورودی بارش، بارش با یک تاخیر زمانی، دما، دما با یک تاخیر زمانی نسبت به مدل شبکه عصبی دارا ی بهترینR2 و کمترینRMSEاست و میتوان از این مدل به علت همبستگی بالایی که مقادیر مشاهداتی و مقادیر پیش بینی شده دارد به عنوان جایگزینی برای مدل شبکه عصبی و روشهای مدلسازی بارش- رواناب سنتی یاد کرد که با نتایج پژوهشهای دیگر نیز سازگاری دارد.

کلیدواژه ها:

بارش- رواناب ، شبکه عصبیANN ، شبکه استنتاج فازی- عصبی ، مدل پس انتشار خطا ، حوزه آبریز کرج

نویسندگان

مهران قربان زاده

دانشجوی کارشناسی ارشد عمران آب دانشگاه زابل

محمودرضا ملای نیا

استادیار گروه عمران دانشگاه زابل

جعفر قره سوفلو

دانشجوی کارشناسی ارشد منابع آب دانشگاه زابل

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 مقاله لینک شده اند :
  • البرزی، ."آشنایی با شبکه‌های عصبی مصنوعی"، انتشارات دانشگاه صنعتی امیرکبیر، ...
  • ملکیان، آ.، محسنی ساروی، م و مهدی، م.."بررسی کارایی روش ...
  • منهاج، م.، "مبانی شبکه های عصبی"، انتشارات دانشگاه صنعتی امیرکبیر، ...
  • مهندسین مشاور جاماب وابسته به وزارت نیرو، طرح جامع آب ...
  • اکبریان، ه، "رساله دکترا برآورد بارش- رواناب به وسیله شبکه ...
  • سیگارودی، ر، الف، سیگارودی، ش، خ.، سلاجقه، ع. و مرتضایی، ...
  • HSU, etal. (1 995)."Artificial neural network modeling of the rainfall-runof ...
  • Tokar. A.S. and M.Markus. (2000). "Precipitation runoff modeling using artificial ...
  • Nayak, P.C.Sudher, D.M. and K.S Ramasastri (2004). "A neurofuzzy computing ...
  • Rajurkar, M.P., U.C. chube. (2004)." Modeling of the daily rainfall-runof ...
  • Modarress .(2009). Multi-criteria validation of artificial neural network rainfall-runof modeling. ...
  • Shoja Rastegari, H. and G. Barani. (201 1)."Application neuro- fuzzy ...
  • Gh.Ghafari and M.vafakhah. (20 1 3)."Simulation of rainfall-runof process artificial ...
  • نمایش کامل مراجع