واسنجی هوشمند مدل پیش بینی سیلاب : مطالعه موردی حوضه آبریز تمر

سال انتشار: 1392
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 692

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_0374

تاریخ نمایه سازی: 29 تیر 1393

چکیده مقاله:

مهمترین هدف در واسنجی مدل پیش بینی سیلاب یافتن مقادیر بهینه پارامترهای اصلی مدل می باشد، بنحوی که کاربرد بهینه مدل در گرو واسنجی دقیق پارامترها و تطابق بیشتر میان نتایج محاسباتی و مشاهداتی است. واسنجی دستی مدلبواسطه پیچیدگی و غیرخطی بودن روابط حاکم بر فرایند بارش-رواناب و همچنین تعدد پارامترهای تاثیرگذار و عدم قطعیت آن ها، امری مشکل، زمان بر و در برخی موارد غیرممکن می باشد. در این تحقیق با استفاده از شبکه عصبیمصنوعی پرسپترون چند لایه به واسنجی هوشمند مدل پیش بینی سیلاب در حوضه آبریز تمر از حوضه های استان گلستان پرداخته تا مقادیر بهینه پارامترهای مدل بدست آیند. نتایج نشان داد که در مرحله آموزش شبکه عصبی مصنوعی، روش نمونه گیری مکعب لاتین در مقایسه با روش تصادفی دارای عملکرد مناسب تر و کارایی بالاتری است. دراین راستا اعتمادپذیری جایگزینی شبکه عصبی مصنوعی بجای مدل پیش بینی سیلاب در مراحل واسنجی مولفه های مدل موفقیت آمیز بوده و نشان دهنده دقت و سرعت بالاتر این روش نسبت به واسنجی دستی مدل می باشد.

کلیدواژه ها:

نویسندگان

امید خورشیدی

دانشجوی کارشناسی ارشد سازه های هیدرولیکی، دانشگاه آزاد اسلامی واحد دزفول، دزفول، ایران

محمد ذاکرمشفق

استادیار گروه مهندسی عمران، دانشگاه صنعتی جندی شاپور دزفول

علی محمد آخوندعلی

استاد گروه مهندسی منابع آب، دانشگاه شهید چمران اهواز

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 :
  • قلخانی، ح.، ثقفیان، ب0، گلیان، س0، کاربرد شبکه عصبی مصنوعی ... [مقاله کنفرانسی]
  • International Conference _ Civil Engineering Architecture & Urban Sustainable Development ...
  • Nourani, V., Hosseini Baghanam, A., Adamowski, J., Gebremichael, M., Using ...
  • Cullmann, J., Krausse, T., Saile, P., Parameterising hydrological models - ...
  • Chen, S. M., Wang. Y. M., Tsou, I., Using artificial ...
  • Luk, K.C, Ball, J.E., Sharma, A., A study of optimal ...
  • ASCE Task Committee _ Artificial Neural Networks in Hydrology I: ...
  • Hall, M. J. & Minns, A. W., Rainfall-runof modelling as ...
  • Hsu, K., Gupta, H. V., and Sorooshian, S., Artificial neural ...
  • Minns, A.W., .Analysis of experimental data using artificial neural networks. ...
  • Minns, A.W., and Hall, M.J., Artificial neural networks as rainfall-runof ...
  • Sajikumar, N. and Thandave Swara, B.S., A non-linear rainfall-runof model ...
  • Riad, S., Mania, J., Bouchaou, L., Najjar, Y., Rainfal I-Runoff ...
  • Kingston, G.B., Maier, H. R., Lambert, M. F., Calibration and ...
  • Zakermo shfegh, M., Yazdandoost, F., Ghalkhani, H., Bozorgy, B. and ...
  • Zakermo shfegh, M., Neyshabouri, S.A.A.S., Lucas, C., Automatic Calibration of ...
  • Piotrowski, A.P. and Napiorkowski, J.J., Product-Units neural networks for catchment ...
  • S charffenberger, W.A. and Fleming, M.J., Hydrologic Modeling System HEC-HMS ...
  • Nash, J.E. and Sutcliffe J.V., River flow forecasting through conceptual ...
  • McKay, M.D., Conover, W.J., Beckman, R.J., A comparison of three ...
  • Stein, M., Large Sample Properties of Simulations Using Latin Hypercube ...
  • Andradottir, S., Healy, K. J., Withers, D. H., Nelson, B. ...
  • نمایش کامل مراجع