ارزیابی عملکرد مدل هوش مصنوعی ( شبکه های عصبی مصنوعی ) در پیش بینی دبی ماهانه جریان رودخانه (مطالعه موردی : بند بهمن – رودخانه قره آغاج)

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 971

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:

NCWC02_287

تاریخ نمایه سازی: 7 آبان 1393

چکیده مقاله:

امروزه مشکل دسترسی به منابع آب شیرین یکی از مسائل مهم در بسیاری از کشورها می باشد. بحران آب درگذشته به علت کم بودن جمعیت به اندازه امروزه محسوس نبود، ولی امروزه با افزایش روز افزون جمعیت و نیاز بشر به غذای بیشتر این بحران بیش از گذشته مشهود است. تخمین دبی جریان رودخانه، به دلیل تاثیر آن در مدیریت منابع آب، می تواند نقش اقتصادی مهمی داشته باشد. با روش های مختلفی می توان دبی جریان رودخانه را پیش بینی نمود. یکی از روش هایی که اخیرا توجه بسیاری از پژوهشگران را به خود جذب نموده است، استفاده از شبکه های عصبی مصنوعی می باشد. امروزه سیستم های هوشمند ( شبکه های عصبی مصنوعی ) با توجه به توانایی در حل پدیده های غیر خطی و پیچیده کاربردهای فراوانی در مسائل مختلف مهندسی آب از جمله هیدرولوژی پیدا کرده اند، که در این تحقیق نیز به ارزیابی این سیستم در پیش بینی دبی جریان رودخانه قره آغاج پرداخته می شود. در این مطالعه از نرم افزار Matlab استفاده گردید. بدین منظور از داده های هیدرومتری، بارندگی، دما، تبخیر و دبی ماهانه ایستگاه بند بهمن بروی رودخانه قره آغاج در دوره آماری ۳۰ ساله آبی (62-1361 تا 91-1390) برای مدل استفاده گردید. نتایج حاصل نشان داد که شبکه های عصبی مصنوعی می تواند دبی ماهانه رودخانه را با ضریب همبستگی 0/75 پیش بینی کند. با توجه به آنالیز صورت گرفته تابع TANSIG با تعداد ۳ لایه و ۸ نرون به عنوان بهترین مدل انتخاب شد، بر این اساس عواملی از جمله میزان بارندگی، درجه حرارت، تبخیر، نفوذ پذیری روی دبی رودخانه ها تاثیر دارد، ولی به طور کلی مهمترین عامل تغییرات دبی رودخانه ها در این تحقیق میزان بارش، دبی و تا حدودی دما می باشد.

کلیدواژه ها:

شبیه سازی جریان ، شبکه های عصبی مصنوعی ، رودخانه قره آغاج – بند بهمن

نویسندگان

فرامرز کشوری

دانشجوی کارشناسی ارشد مهندسی منابع آب دانشگاه آزاد اسلامی واحد شیراز

سید امیر شمس نیا

استادیار گروه مهندسی آب دانشگاه آزاد اسلامی واحد شیراز

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 :
  • البرزی، محمود، 1380. " آشنایی با شیکه‌های عصبی" _، انتشارات ...
  • جاعل، ا.، کاشفی پور، س.، عصاره، ا. 1387. بررسی افت ... [مقاله کنفرانسی]
  • جورابیان، م.، زارع، ط.، استوار، ا. 1384. شبکه های عصبی ...
  • تنش - کرنش خاک‌های رسی"، مجموعه مقالات پنجمین کنفرانس بین‌المللی ...
  • زمردیان، س.، بهبهانی، س. 1387. شبیه سازی شبکه عصبی مصنوعی ...
  • قبادیان، ر.، شفاعی بجستان، م. 1385. بهینه یابی ضریب تخلیه ...
  • کیا، س. محاسبات نرم در متلب. 1389. انتشارات کیان رایانه ...
  • منهاج، م. 1379. مبانی شبکه های عصبی، نشر دانشگاه صنعتی ...
  • حائری، سید محسن و ساداتی، ناصر و مهین‌روستا، رضا، _ ...
  • Allan, R. J., Bread, G. S., Close, A., Herczeng, A. ...
  • Chang, L. C. and Chang, F. J., 2001, Intelligent control ...
  • Dandy, G. C., Simpson, A. R. and Murphy, L. J.(1996), ...
  • Esat, V., and Hall, M.J.(1994), Water resources system optimization using ...
  • Jain, S. K., Das, A. and Sirvastava, D.K.(1999). Application of ...
  • Karamouz, M. and B, Zahraie (2004) "Seasonal stremflow forecasting using ...
  • Kripalani, R. H., and Kulkarani, A. (1997). Rainfall variability OVer ...
  • Maier, H. R., and Dondy, G. C. (1996). "Use of ...
  • prediction of water quality parameters" water resources Research, 32 (4) ...
  • Salas...D. .Boes.CD. .and Smith.R. A (2000)." Estimation of ARIMA models ...
  • Smith, J., and Eli, R. N. (1995) "Neural -network models ...
  • Sugeno, M and Yasukawa, T. 1993." A fuzzy- logic-base approach ...
  • Wang, Q. J.(1991), The genetic algorithm and its application to ...
  • نمایش کامل مراجع