مدل هوشمند پیشبینی عرض و عمق رودخانههای بستر شنی با استفاده از شبکههای عصبی
سال انتشار: 1389
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 948
فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NCUIMWR02_189
تاریخ نمایه سازی: 25 آذر 1389
چکیده مقاله:
عرض کانال یکی از پارامترهای حیاتی در مشخصات مورفولوژیکی آبراهه های آبرفتی می -باشد. تخمین عرض کانال با استفاده از روش های مختلفی به وسیله محققین مهندسی رودخانه مورد مطالعه قرار گرفته است. یکی از شیوه های جدید مطالعه این مشخصه آبراهه های آبرفتی استفاده از روش شبکه های عصبی مصنوعی است که با آموزش یک شبکه میتوان از آن برای تخمین عرض کانال ها استفاده کرد. در این مطالعه، از شبکه های عصبی برای تخمین عرض رودخانه های با بستر زنده شنی استفاده شده است. برای نمایش کارایی این مدل، نتایج بدست آمده از مدل با روابط نیمه تئوری تخمین عرض ارائه شده توسط سایر محققین و همچنین مدل نیمه تئوری حاصل از رگرسیون بر روی مجموعه داده های آموزش شبکه این مطالعه مقایسه شده است. مجموع داده های صحرایی استفاده شده 439 بوده که از این تعداد، 308 داده برای آموزش شبکه و 131 داده باقی مانده برای مقایسه بین مدلها استفاده شده است. پارامترهای ورودی به شبکه آموزش داده شده و همچنین رابطه رگرسیونی تخمین عرض کانال های با بستر شنی شامل دبی مقطع پر کانال، شیب آبراهه و قطر متوسط مصالح بستر است. نتایج نشان میدهد که براساس محدوده خطای پیش بینی 50 ± درصدی مدل شبکه های عصبی بسیار بهتر از روش نیمه تئوری قادر به پیشبینی عرض آبراهههای با بستر شنی میباشد
کلیدواژه ها:
نویسندگان
رضا شیرخانی
دانشجوی کارشناسی ارشد مهندسی عمران - مهندسی آب دانشگاه صنعتی امیرکبیر
عبداله اردشیر
دانشیار دانشکده مهندسی عمران و محیط زیست دانشگاه صنعتی امیرکبیر
حسین الیاسی
دانشجوی دکتری مهندسی برق-کنترل دانشگاه صنعتی امیرکبیر
حجت کرمی
دانشجوی دکتری مهندسی عمران-مهندسی آب دانشگاه صنعتی امیرکبیر
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 :