CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

Application of TreeNet in Predicting Suspended Sediment Load: A Comparative Study

اعتبار موردنیاز: ۱ | تعداد صفحات: ۸ | تعداد نمایش خلاصه: ۱۴۰۵ | نظرات: ۰
سرفصل ارائه مقاله: مهندسی و مدیریت منابع آب
سال انتشار: ۱۳۹۰
کد COI مقاله: NCCE06_0389
زبان مقاله: انگلیسی
حجم فایل: ۳۳۹.۶۱ کلیوبایت (فایل این مقاله در ۸ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۸ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

مشخصات نویسندگان مقاله Application of TreeNet in Predicting Suspended Sediment Load: A Comparative Study

P. Moazami Goodarzi - MSc Student, Civil Engineering Department, Iran University of Science & Technology
E. Jabbari - Associate Professor, Civil Engineering Department, Iran University of Science & Technology

چکیده مقاله:

In order to control the sedimentation destructive consequents and to evaluate the erosion in the basin, it is of great importance to estimate the river sediment transport rates precisely. When there are several mathematical and experimental models with unacceptable accuracy or when there is deficiency in records of input variables to the classical equations, machine learning techniques are perfect completes. Multiple Additive Regression Trees or TreeNet is one of machine learning techniques, which has been applied limitedly in water engineering environment so far, as reports say; therefore, its efficiency in comparison with other common models in this field is not evident. In this context, this model was compared with ANN and ANFIS models and proved competitive results in two different conditions regarding the target variable coefficient of variation, without giving negative predictions like the other two models did. Also the other advantages which distinguish the TreeNet model from the other two are its running speed and not being parametric. In present research, the two Kareh Sang and Sira stations (located on Haraz and Karaj Rivers respectively) data have been utilized. In Kareh Sang station, a parameter named day of the year which simulates the periodic property of sediment transport was introduced to models as a predictor variable. Applying this parameter leaded to the considerable increase in models accuracy, particularly in that of TreeNet model, which indicates that there are different relations between sediment discharge and flow discharge in different time periods of the year

کلیدواژه‌ها:

TreeNet, Suspended sediment, Day of the year, ANN, ANFIS.

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:
http://www.civilica.com/Paper-NCCE06-NCCE06_0389.html
کد COI مقاله: NCCE06_0389

نحوه استناد به مقاله:

برای بار اول: (Moazami Goodarzi, P. & E. Jabbari, ۱۳۹۰)
برای بار دوم به بعد: (Moazami Goodarzi & Jabbari, ۱۳۹۰)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

مدیریت اطلاعات پژوهشی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

مقالات مرتبط جدید

شبکه تبلیغات علمی کشور

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.