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

پیش بینی جریان رودخانه دز با استفاده از شبکه عصبی مصنوعی

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۱ | تعداد نمایش خلاصه: ۹۷۸ | نظرات: ۰
سال انتشار: ۱۳۸۶
کد COI مقاله: ABYARI09_082
زبان مقاله: فارسی
حجم فایل: ۱۹۵.۱۴ کلیوبایت (فایل این مقاله در ۱۱ 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 ۱۱ 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 پیش بینی جریان رودخانه دز با استفاده از شبکه عصبی مصنوعی

  محبوبه زارع زاده مهریزی - دانشجوی کارشناسی مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان
آی دانای قزاق - دانشجوی کارشناسی ارشد مهندسی منابع آب ، گروه آبیاری و آبادانی دانشگاه

چکیده مقاله:

برنامه ریزی و مدیریت منابع آب با تمام پیچیدگی ها و مشکلات آن می تواند نقش بسیار مهمی در ارتقاء شاخص های ابی داشته باشد. در دهه های اخیر شبکه عصبی مصنوعی به عنوان مدلی که با تجزیه و تحلیل اطلاعات موجود امکان استخراج روابط غیر خطی و نامشخص را فراهم می سازد، در بسیاری از علوم به ویژه آب موفق ظاهر شده است. مزیت این روش انعطاف پذیری بالای شبکه های عصبی مصنوعی در مقابل توابع پیچیده و استفاده از ورودی ها است که به راحتی در دسترس می باشند. در این تحقیق سعی شده قابلیت شبکه های عصبی مصنوعی در پیش بینی جریان ماهانه رودخانه دز مورد بررسی قرار بگیرد. برای این منظور از 20 سال امار ماهانه ایستگاه هیدرومتری تله زنگ استفاده و نتایج بدست امده از مدل ها به لحاظ شاخص آماری MSE (میانگین مربع خطا) مورد ارزیابی قرا رگرفته است. نتایج بدست امده نشان میدهد که این مدل قادر است میزان دبی ماهانه را با دقت قابل قبولی پیش بینی کند. در نهایت شبکه عصبی بهینه برای تخمین دبی ماهانه و موثرترین پارامترهای ورودی معرفی میشود.

کلیدواژه‌ها:

شبکه عصبی ، دبی رودخانه ، پیش بینی ماهانه

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:
https://www.civilica.com/Paper-ABYARI09-ABYARI09_082.html
کد COI مقاله: ABYARI09_082

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
زارع زاده مهریزی, محبوبه و آی دانای قزاق، ۱۳۸۶، پیش بینی جریان رودخانه دز با استفاده از شبکه عصبی مصنوعی، نهمین سمینار سراسری آبیاری و کاهش تبخیر، کرمان، دانشگاه شهید باهنر، انجمن مهندسی آبیاری و آب، https://www.civilica.com/Paper-ABYARI09-ABYARI09_082.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (زارع زاده مهریزی, محبوبه و آی دانای قزاق، ۱۳۸۶)
برای بار دوم به بعد: (زارع زاده مهریزی و قزاق، ۱۳۸۶)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • مقایسه عملکرد سه الگوریتم آموزش مومنتم، گرادیان مزدوج و لونبرگ در ساختار ANN برای پیش بینی رواناب روزانه [مقاله کنفرانسی]
  • باقری، ع. (۱۳۷)، "بهره برداری به (real-ine)هنگام از سدها مبتنی ...
  • کفیل، م.، ضیاء تباراحمدی، م، خ.، (۱۳۸۵).، " مقایسه دو ... [مقاله کنفرانسی]
  • منهاج، م، ب.، (۱۳۷۷).، " هوش محاسباتی(جلد اول)، مبانی شبکه ...
  • تخمین هوشمند دبی جریان ورودی به مخزن با استفاده از مدل تلفیقی شبکه عصبی و تبدیلات موجک(مطالعه موردی: سد مخزنی دز) [مقاله کنفرانسی]
  • ASCE. Task Committee On Application of Artificial Neural Networks in ...
  • Coulibaly, P. Anctil, F. and Bobee., (2000)., Daily reservoir inflow ...
  • Danh, N. T. and Gupta, A. (1999). Neural Networks models ...
  • Dibike, Y. B. and Solomatine, D. P., (2001)., _ River ...
  • Drecurt, J. PH., (1999)., " Application of neural networks and ...
  • Govindaraju, R. S., (2000)., "Artificial neural network _ hydrology. I: ...
  • Jain, S. K., Das, A. and Sirvastava, D.K., (1999)., " ...
  • Karamouz, M., Razavi, S., and Araghinejad, Sh., (2006)., _ Long-Lead ...
  • Kisi, O., (2004)., "River flow modeling using artificial neural networks", ...
  • Tokar, A. S., and Markus, M., (2000)., "Precipitation _ runoff ...
  • Vos, N. J. de and Rientjes, T. H. M., (2005)., ...
  • Zealand, C. M. and Burn, D. H., (1999)., " Short ...
  • کدام مقالات به این منبع استناد نموده اند


    بر اساس سیستم تحلیلی استنادات مقالات، تاکنون برای نگارش ۱ مقاله استفاده شده است.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۹۲۲۷
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده 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 پیشنهادی مرتبط

    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.