مدل سازی بارش - رواناب با استفاده از روش شبکه عصبی فازی تطبیقی و مقایسه آن با روش های شبکه عصبی و استنتاج فازی مطالعه موردی : حوضه آبریزلیقوان چای واقع دراستان آ . شرقی

سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,467

فایل این مقاله در 8 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:

NCCE04_680

تاریخ نمایه سازی: 19 مهر 1386

چکیده مقاله:

جهت مدیریت مناسب در یک حوضه هیدرولیکی نیاز به شناخت کامل آن می باشد . می توان گفت مهمترین بخش از این شناخت مربوط به ارائه مدلی جهت معرفی بارش و رواناب آن حوضه می باشد با توجه به عدم دسترسی به اطلاعات هیدرولیکی حوضه های مورد مطالعه اغلب این مدل سازی ها بصورت هیدرولوژیکی یا گرده ای و با استفاده از آمار سالهای قبل صورت می گیرد . اغلب سعی بر این بوده است که از روش های ریاضی برای مدل سازی این پدیده استفاده شود که در مرحله واسنجی و آموزش یک مدل از تعدادی پارامترهای حوضه استفاده می شود که خود این پارامترها دقیق و بطور کامل قابل اطمینان نمی باشند . ریاضیات فازی با ارئه تابع عضویت بجای عدد مطلق برای پارامتر مذکور دقت عمل را در ارزش دهی داده ها بالا می برد . در این مقاله مدل بارش – رواناب حوضه لیقوان چای واقع در استان آذربایجان شرقی با استفاده از سه روش شبکه عصبی ، استنتاج فازی و شبکه عصبی فازی تطبیقی ارائه می شودو بهترین مدل برای این حوضه که توسط مدل سازی با روش شبکه عصبی فازی تطبیقی می باشد با استفاده از معیارهای کنترل معمول در علم هیدرولوژی معرفی می شود که این نتیجه بیانگر این است که شبکه عصبی با مدل سازی غیر خطی و همچنین منطق فازی با ارائه توابع عضویت هرکدام به تنهائی تا حدودی قادر به بیان مدل یک حوضه هیدرولوژیکی نمی باشد ولی در صورت تلفیق این دو روش می توان گفت به نتیجه مطلوب جهت مدل سازی خواهیم رسید .

کلیدواژه ها:

مدلسازی بارش و رواناب ، شبکه عصبی ، سیستم استنتاج فازی ، شبکه عصبی فازی تطبیقی ، حوضه آبخیز لیقوان چای

نویسندگان

وحید نورانی

استادیار گروه مهندسی آب دانشکده عمران دانشگاه تبریز

کامران صالحی

دانشجوی کارشناسی ارشد مهندسی آب دانشگاه تبریز

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 :
  • سامانی، ر. احمدی، ش. و نوری، م. 1384، استفاده از ...
  • کوره پزان، امین.1384، اصول تئوری مجموعه‌های فازیو کاربردهای آن در ...
  • منهاج، م.ب.379 1، مبانی شبکه های عصبی مصنوعی، انتشارات دانشگاه ...
  • Nayak, P. C., Sudheer, K. P., Rangan, D. M. and ...
  • Mousavi, S. J., Mahdizadeh, K. and Afshar, A .2004. "A ...
  • Ponnamb alam, K., Karray, F. and Mousavi, S. J. 2003. ...
  • Kisi, O. 2005. "Suspended Sediment Estimation Using Neuro-Fuzzy and Neural ...
  • Toth, E., Brath, A., Montanari, A. 2000. "Comparison of short-term ...
  • Jang, J. S. R., Sun, C. T. and Mizutani, E. ...
  • Itsu, K.L., Gupta, H. V. , and Sorooshian, S _ ...
  • نمایش کامل مراجع