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

ارایه مدل بهینه تخمین بار رسوب معلق روزانه ورودی به مخزن سدکوثر خلخال بر پایه داده های جریان ورسوب معلق توسط شبکه های عصبی مصنوعی

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۲۰ | تعداد نمایش خلاصه: ۵۸ | نظرات: ۰
سال انتشار: ۱۳۹۶
کد COI مقاله: CCIVIL02_604
زبان مقاله: فارسی
حجم فایل: ۱.۱۳ مگابات (فایل این مقاله در ۲۰ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۲۰ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳۰,۰۰۰ ریال بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۲۰ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله ارایه مدل بهینه تخمین بار رسوب معلق روزانه ورودی به مخزن سدکوثر خلخال بر پایه داده های جریان ورسوب معلق توسط شبکه های عصبی مصنوعی

  میلاد شکارچی - دانشجوی کارشناسی ارشد آب وسازه های هیدرولیکی، دانشگاه آزاد واحداسلامی تهران شرق
  اکبر مختارپور - استادیارگروه مهندسی عمران، دانشگاه آزاد واحداسلامی تهران شرق
  روح الله احمدی جزنی - استادیارگروه مهندسی عمران، دانشگاه آزاد واحداسلامی تهران شرق

چکیده مقاله:

برآورد صحیح حجم رسوبات حمل شده توسط رودخانه ها در پروژه های آبیاری از اهمیت بسیاری برخوردار است. پدیده های فرسایش و انتقال رسوب در ابراهه ها و رودخانه ها از پیچیده ترین مباحث مهندسی رودخانه می باشد. فرسایش زیاد و انتقال دایم این مواد نه تنها باعث برهم خوردن تعادل طبیعی رودخانه و آبراهه می شود، بلکه سبب ایجاد خساراتی از قبیل تغییر مسیر رودخانه، انباشت رسوبات در پشت سدها و کاهش حجم مفید آن ها نیز می گردد. شبکه های عصبی مصنوعی یک روش کاملا غیرخطی است که می تواند تقابل و ارتباط پیچیده ای بین پارامترهای ورودی و خروجی بدون داشتن دانش قبلی درباره طبیعت آنها ایجاد کند. این تحقیق به بررسی توانایی شبکه عصبی مصنوعی (ANN) و تعیین بهترین مدل برای پیش بینی بار رسوبات معلق روزانه ورودی به مخزن سد کوثر خلخال در رودخانه هیروچای، واقع در شمال غرب ایران می باشد. 147 داده روزانه برای پیش بینی بار معلق روزانه (SSL) استفاده شده است. الگوی باررسوب معلق وارد بر مخزن با شبکه ی عصبی Backpropegation، و ساختار 1-1-3 برای مرحله آموزش و 1-8-3 برای مرحله آزمون و با استفاده از الگوریتم Feed-Forward Backpropagation، و تابع آموزشی LM یا همان Levenberg Marquardt و تابع فعالیت زیگمویید برای لایه میانی و خطی برای لایه خروجی، حاصل شده است. در نهایت با مقایسه دو ساختار موجود، ساختار 1-1-3 شبکه عصبی، برای ارایه بهترین مدل باررسوب معلق ورودی به مخزن سد انتخاب شده و بر پایه چندین شاخص عملکرد معلوم گردیده است که شبکه ی عصبی مصنوعی با ساختار مذکور، باررسوب معلق ورودی به مخزن سد را با دقت بالاتری در مقایسه با تحلیل معمول رگرسیونی تخمین زده است.

کلیدواژه‌ها:

باررسوب معلق روزانه، الگوریتم پیش خور پس انتشار خطا، رگرسیون خطی

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-CCIVIL02-CCIVIL02_604.html
کد COI مقاله: CCIVIL02_604

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:
شکارچی, میلاد؛ اکبر مختارپور و روح الله احمدی جزنی، ۱۳۹۶، ارایه مدل بهینه تخمین بار رسوب معلق روزانه ورودی به مخزن سدکوثر خلخال بر پایه داده های جریان ورسوب معلق توسط شبکه های عصبی مصنوعی، دومین کنفرانس بین المللی مهندسی عمران،معماری ومدیریت بحران، تهران، دانشگاه علامه مجلسی، https://www.civilica.com/Paper-CCIVIL02-CCIVIL02_604.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: (شکارچی, میلاد؛ اکبر مختارپور و روح الله احمدی جزنی، ۱۳۹۶)
برای بار دوم به بعد: (شکارچی؛ مختارپور و احمدی جزنی، ۱۳۹۶)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه آزاد
تعداد مقالات: ۱۰۲۱
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.