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

پیش بینی جریان ورودی با استفاده از مدل شبکه عصبی مصنوعی و مدل مفهومی mike-NAM ( مطالعه موردی: حوض ا... جوکنک)

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۲۰۲۲ | نظرات: ۰
سرفصل ارائه مقاله: هواشناسی، هیدرولوژی، هیدروژئولوژی و فرسایش خاک
سال انتشار: ۱۳۸۵
نوع ارائه: شفاهی
کد COI مقاله: COWR01_189
زبان مقاله: فارسی
حجم فایل: ۲۲۴.۲۷ کلیوبایت (فایل این مقاله در ۱۰ 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 ۱۰ 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 ورودی با استفاده از مدل شبکه عصبی مصنوعی و مدل مفهومی mike-NAM ( مطالعه موردی: حوض ا... جوکنک)

علی شهبازی - کارشناس ارشد دفتر منابع آب و انرژی، معاونت توسعه سد و نیروگاه، سازمان
  محمد محمدیان شوشتری - عضو هیئت علمی گروه مهندسی عمران دانشگاه شهید چمران اهواز
مریم اکبر بروجردی - کارشناس ارشد دفتر منابع آب و انرژی، معاونت توسعه سد و نیروگاه، سازمان

چکیده مقاله:

پیش بینی جریان از پارامترهای مهم در برنامه ریزی منابع آب و کاهش خسارات ناشی از سیلاب می باشد. روشهای مختلفی جهت پیش بینی جریان یا به عبارتی ایجاد مدل بارش رواناب وجود دارد، از فرمولهای تجربی و منطقه ای گرفته تا روشهای سری زمانی و مدلهای مفهومی. در سالهای اخیر توجه زیادی به استفاده ازمدلهای شبکه های عصبی مصنوعی و نیز مدلهای فازی-عصبی شده است. در هر منطقه با توجه به شرایط منطقه و نیز آمار و اطلاعات موجود باید مدل بهینه انتخاب شود . در این مقاله مدل بارش رواناب توسط شبکه های عصبی مصنوعی و مدل مفهومی Mike-NAM در مقیاس ماهانه برای حوزه آبریز الله- جوکنک تهیه می شود . شبکه های عصبی مصنوعی ابزار مناسبی برای ایجاد رابطه بین مقادیر ورودی و خروجی می باشد، خصوصاً در شرایطی که با روابط پیچیده و غیر خطی سر کار داریم . پارامترهای ورودی شبکه عصبی شامل دبی و بارش می باشد و خروجی شبکه دبی رود می باشد .مدل مفهومی نم یک مدل یکپارچه بارش رواناب می باشد که مولفه جریان سطحی ، نفوذ و جریان پایه که مولفه های مهم در رواناب حوضه می باشد را مدل می کند . این مدل دارای 9 پارامتر اصلی می باشد که می بایست کالیبره شود که پس از کالیبره شدن می تواند رواناب را به صورت کوتاه مدت و بلند مدت پیش بینی کند. در نهایت به مقایسه دو مدل پرداخته می شود.

کلیدواژه‌ها:

پیش بینی جریان، مدل بارش رواناب، مدل شبکه های عصبی مصنوعی، مدل مفهومی Mike-NAM، حوضه الله–جوکنک، ارزیابی مدل، کالیبراسیون.

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-COWR01-COWR01_189.html
کد COI مقاله: COWR01_189

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:
شهبازی, علی؛ محمد محمدیان شوشتری و مریم اکبر بروجردی، ۱۳۸۵، پیش بینی جریان ورودی با استفاده از مدل شبکه عصبی مصنوعی و مدل مفهومی mike-NAM ( مطالعه موردی: حوض ا... جوکنک)، اولین همایش منطقه ای بهره برداری از منابع آب حوضه های کارون و زاینده رود (فرصتها و چالشها)، شهرکرد، دانشگاه شهرکرد، https://www.civilica.com/Paper-COWR01-COWR01_189.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: (شهبازی, علی؛ محمد محمدیان شوشتری و مریم اکبر بروجردی، ۱۳۸۵)
برای بار دوم به بعد: (شهبازی؛ محمدیان شوشتری و اکبر بروجردی، ۱۳۸۵)
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 :

  • Chang, F-J. and Chen, Y-C., 2001, ،a C ounterprop agation ...
  • Cigizoglu, H.K. and Kisi, O., 2005، Flow Prediction by Three ...
  • Cybenko, G., 1989, ،، Approximation by Superposition of a Sigmoidal ...
  • DHI Water and Environment, 2002, 4Mike11, a Modeling System for ...
  • Hornik, K., Stinchcombe, M. and White, H., 1989, 4Multilayer Feedforward ...
  • Hsu, K., Gupta, H.V. and Sorooshian, S., 1995, ، Artificial ...
  • Jain, S.K., Das, D. and Srivastava, D.K., 1999, 4Application of ...
  • Karunanithi, N., Grenney, W.J., Whitley, D. and Bovee, K., 1994, ...
  • Kisi, O., 2004, ،River Flow Modeling Using Artificial Neural Networks?, ...
  • Kitanidis, P.K. and Bras, R.L., 1980, ،#eal-Time Forecasting with a ...
  • Lahmeyer International Company, 2005, ،Real Time Forecast of Inflows-Task4?, Lahmeyer's ...
  • Raman, H. and Sunilkumar, N., 1995, ،+Multivariate Modeling of Water ...
  • Rumelhart, D.E., Hinton, G.E. and Williams, R.J., 1986, «Learning Internal ...
  • Saad, M., Bigras, P., Turgeon, A. and Duquette, R., 1996, ...
  • Shamseldin, A.Y., 1997, 4Application of a Neural Network Technique to ...
  • Sivakumar, B., Jayawardena, A.W. and Fernando, T.M.K.G., 2002, ،#River Flow ...
  • Smith, J. and Eli, R.N., 1995, ،Neural Network Models of ...
  • Sorooshian, S., Daun, Q. and Gupta, V.K., 1993, ،Calibration of ...
  • Tokar, A.S. and Johnson, P.A., 1999, ،، Rainfall -Runo ff ...
  • Yapo, P., Gupta, V.K. and Sorooshian, S.., 1996, ،4Calibration of ...
  • -Term Streamflow Short؛، , 1999 21- Zealand, C.M., Burn, D.H. ...
  • Zhang, G., Patuwo B.E. and Hu, M.Y., 1998, *Forecasting with ...
  • 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.