مقایسه مدلهای هوشمند در شبیهسازی بارش رواناب روزانه حوضه لیقوان -آذربایجانشرقی

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 573

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CESC15_563

تاریخ نمایه سازی: 12 دی 1393

چکیده مقاله:

با توجه به محدود شدن دسترسی به منابع آب موجود، اهمیت برنامهریزی و مدیریت آب بیش از پیش مشخص میگردد . در دهه های اخیر استفاده از نرم افزارهای کامپیوتری و مدلهای هوشمند در پیش بینی بارش رواناب به طورگستردهای افزایش یافته است. در این تحقیق با - استفاده از مدلهای هوشمندGEP، MLP، RBF رواناب روزانه حوضه آبریز لیقوان واقع در استان آذربایجانشرقی پیشبینی و مورد ارزیابیقرار گرفته است. از 5 سناریو مختلف با ورودیهای بارش و جریان به منظور مدلسازی بارش رواناب بهره گرفته شد. از مجموع 3650 داده روزانه در سالهای آماری 82- 1481 الی 91- 1390 برای مدلسازی استفاده شد که از این میان تعداد 2555 داده برای مرحله آموزش و تعداد 1095 داده برای مرحله آزمون تخصیص یافت نتایج بدست آمده از پژوهش حاضر نشان داد که دو مدل GEP و MLP توانایی خوبی در پیشبینی بارش رواناب روزانه حوضه لیقوان دارند ولی مدل RBFعملکرد مناسبی در پیشبینی رواناب روزانه نداشته و مقدار خطای بیشتری نسبت به دو روش دیگر داراست.

نویسندگان

وحید عظیمی

دانش آموخته گروه مهندسی آب، دانشگاه تبریز، تبریز، ایران

صفورا عرب

دانشجوی کارشناسی ارشد مهندسی منابع آب، دانشگاه بیرجند، بیرجند، ایران

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 :
  • اژدرپور، م. (1387)، پیش‌بینی رابطه بارش - رواناب به روش ...
  • _ و امیدوار، ک. (1391)، مقایسه شبکه عصبی مصنوعی و ...
  • اکبرور، .، رهنما، م.ب. و بارانی، غ. ع. (1382)، مقایسه ...
  • پیشبینی حجم، سطح جانبی و کرویت انار با استفاده از شبکه عصبی مصنوعی MLP [مقاله کنفرانسی]
  • سلطانی، س و مرید، س. (1381)، مقایسه مدلهای تفهیمی با ...
  • سلطانی، ع.، قربانی، م. ع.، فاخری‌فرد، ا.، دربندی، ص» و ...
  • شریفی، ف.، صفارپور.، ش و ایوب زاده، س. ع. (1383)، ...
  • عراقی‌نژاد، ش، و کارآموز، _ (1384)، پیش‌بینی بلند مدت رواناب ...
  • فضایلی، ح.، اعلمی، م. ت.، قربانی، م. ع.، شاکری، م. ...
  • کارآوز، ،.، احمدی، آ و نظیف، س. (1386)، چالش‌ها و ...
  • کاظمی نیا، س.، حبیب نژاد روشن، م.، سلیمانی، ک و ...
  • نورانی، و، کی‌نژاد، م. ع.، و ملکانی، ل. (1388)، استفاده ...
  • Aytek A, Asce M and Alp M. (2008). An application ...
  • Banzhaf, W., P. Nordin, R. E. Keller, and F.D. Francone. ...
  • Ferreira, C. (2001), Gene expression programming: d new adaptive algorithm ...
  • Ferreira, C. (2004), Gene Expression Programming and the Evolution of ...
  • Goldberg, D. E. (1989), Genetic algorithms in search, optimization, and ...
  • Haykin, S. 1994. Neural networks: A comprehensive foundation. McMillan College ...
  • Jay awardena AW, Muttil N and Fermando TMKG, (2005). Rainfall ...
  • Koza, J.R. (1994), Genetic programming aS a meano for programming ...
  • Liong SY, Gautam TR, Khu ST, Babovic V, Keijzer M ...
  • Suhaimi, S., Rosmina A.Bustami, (2009), Rainfal] runoff modeling using Radial ...
  • Wison, G.C. and Banzhaf, W. (2008). A Comparison of Cartesian ...
  • Yusop, Z (2007), Runoff characteristics and application of HEC-HMS for ...
  • نمایش کامل مراجع