شبیه سازی دبی رودخانه با استفاده ازمدلهای هوشمند عصبی - فازی ANFIS مطالعه موردی رودخانه قره آقاج ایستگاه بندبهمن

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 809

فایل این مقاله در 9 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:

ICCAU01_0022

تاریخ نمایه سازی: 29 تیر 1393

چکیده مقاله:

پیش بینی جریان رودخانه یکی ازمسائل مهم درهیدرولوژی می باشد که درطراحی و برنامه ریزی منابع آب نقش بسزایی دارد سیستم های فازی برپایه شبکه عصبی تطبیقی یکی ازروشهای کارامددرزمینه پیش بینی دبی رودخانه ها می باشد دراین تحقیق با استفاده ازیک سیستم فازی برپایه شبکه عصبی تطبیقی و باتوجه به داده های موجود ازرودخانه قره اقاج اموزش شبکه صورت گرفته است و به منظور صحت سنجی با بکاربردن بخشی ازداده ها و نتایج حاصل ازمدل anfis باتوابع عضویت مختلف و با استفاده ازازمونهای اماری نظیر R2, RMSE, MSE,SSE و نهایتا مدل anfis باتابع عضویت GAUSS به عنوان بهترین مدل با کمترین خطا انتخاب گردید

کلیدواژه ها:

پیش بینی دبی ، سیستم فازی برپایه شبکه عصبی تطبیقی ، ANFIS ، ایستگاه بند بهمن

نویسندگان

امیرحسین پورغلام دارابی

دانشجوی کارشناسی ارشدمهندسی عمران سازه های هیدرولیکی دانشگاه آزاد اسلامی لارستان

مهرداد فریدونی

استادیاروعضو هیئت علمی بخش عمران دانشگاه آزاد اسلامی لارستان

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 :
  • نو ر ا نی، و. . و صا لحی، ک، ...
  • (1387) _ مد لسا ز ی با رش و ر ...
  • International Conference _ Civil Engineering Architecture & Urban Sustainable Development ...
  • Nayak, P.C., Sudheer, K.P., Rangan, D.M. and Ramasastri, K.S., (2004), ...
  • Z _ _ emat-Kerman _ _ and Teshnela. M., (2008), ...
  • Bardossy A . Bogardi I. and Duckstein , L. 1990 ...
  • Capr A. Li Destri Nicosia O. and Scicolone I. 1994. ...
  • Kindler J . 1992 _ Rationalizing water requirements with and ...
  • Kisi O. Haktanir T. Ardiclioglu M. Ozturk O. yalcin E. ...
  • Russel S.O. 1996 _ Reservoir operating rules with fuzzy programming ...
  • Shu, C. and Ouarda , T.B.M.J _ 2008.Regional flood frequency ...
  • 1]Ssivanandam S.N. Sumathi S. and Deepa , S.N. 2007 _ ...
  • Jang, J. S. R., (1993), ":ANFIS: Adaptive Network Based Fuzzy ...
  • Kisi, O., (2005), "Suspended sediment estimation using neuro-fazzy and neural ...
  • Li, H., G.L.P Chen, and H. P. Huang, 2001, "Fuzzy ...
  • Gorzalezany, M.B., A. Clusezek, 2000, "Neuro-Fuzzy Systems for Rule Based ...
  • Bojadziv, G., and M. Bojadziv, 1995, "Fuzzy Sets, Fuzzy Logic, ...
  • Abolvaset, _ and Shabradfar, S. 2007. Investigation the effect of ...
  • Achite, NM., and Ouillon, S. 2007. Suspended sediment transport in ...
  • Alborzi, _ _ .Introduction to neural networks. Sharif University of ...
  • Arabkhedri, _ 20()5. Investigation of suspended load in Iran's watershed ...
  • Arabkhedri, M., Hakimkhani, S.H, and Varani, J. 2005. Validation of ...
  • International Conference _ Civil Engineering Architecture & Urban Sustainable Development ...
  • ASCE. 2000). Artificial neural networks in hydrology: Hydrology applications. J. ...
  • نمایش کامل مراجع