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

River flow forecasting using artificial neural networks

اعتبار موردنیاز: ۱ | تعداد صفحات: ۶ | تعداد نمایش خلاصه: ۱۵۱۸ | نظرات: ۰
سرفصل ارائه مقاله: RIVER menu STRUCTURES - Hydroinformatic applications
سال انتشار: ۱۳۸۳
نوع ارائه: شفاهی
کد COI مقاله: HDRS_49
زبان مقاله: انگلیسی
حجم فایل: ۲۷۶.۳۸ کلیوبایت (فایل این مقاله در ۶ 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 ۶ 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 River flow forecasting using artificial neural networks

M. Zakermoshfegh - PhD Student of Civil Engineering, Tarbiat Modarres University
M. Ghodsian - Associate Professor of Hydraulic Engineering, Tarbiat Modarres University
Gh.A. Montazer - Assistant Professor of Electrical Engineering, Tarbiat Modarres University

چکیده مقاله:

River flowforecasting is required to provide important information on a wide range of cases related to design and operation of river systems. Since there are a lot of parameters with uncertainties and non-linear relationships, the calibration of conceptual or physically-based models is often a difficult and time consuming procedure. So it is preferred to implement a heuristic black box model to perform a non-linear mapping between the input and output spaces without detailed consideration of the internal structure of the physical process.The base of intelligent methods is to use the inner knowledge of data, extraction of native relationships between them and generalization in other locations.Artificial Neural Network (ANN) is one of the most popular methods of artificial intelligence that mimics the characteristics of the human brain and saves the information of data in the network weights during the training process. In this study, the capability of ANNs for stream flow forecasting in the Sulaghan river at Kan hydrometric station was investigated. Two types of ANNs namely Multi Layer Perceptron (MLP) and Radial Basis Function (RBF) network were introduced and implemented. The results show that the discharge can be adequately forecasted by these kinds of ANNs.

کلیدواژه‌ها:

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-HDRS-HDRS_49.html
کد COI مقاله: HDRS_49

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:
M. Zakermoshfegh, ; M. Ghodsian & Gh.A. Montazer, ۱۳۸۳, River flow forecasting using artificial neural networks, کنفرانس بین‌المللی هیدرولیک سدها و سازه‌های رودخانه‌ای, تهران, https://www.civilica.com/Paper-HDRS-HDRS_49.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: (M. Zakermoshfegh, ; M. Ghodsian & Gh.A. Montazer, ۱۳۸۳)
برای بار دوم به بعد: (M. Zakermoshfegh; M. Ghodsian & Gh.A. Montazer, ۱۳۸۳)
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 :

  • Babovic, V. & Bojkow, V. 2001. R un off Modeling ...
  • Dawson, C.W. & Wilby, R. 1998. An artificial neural network ...
  • Dibike, Y.B., Solomatine, D.P. & Abbot, M.B. 1999. On the ...
  • Gorzalczany, M.B. 2002. Co nputational Intelligence Systens and Applications, Physica- ...
  • Hecht-Niel Son, R. 1987. Kolmogorov s Mapping Neural Network Existence ...
  • Karayiannis, N.B. & Venetsanopou los, A.N. 1993. Artificial Neural Networks: ...
  • Mason, J.C., Price, R.K. & Tem'me. 1996. A neural network ...
  • Rumelhart, D.E., McClelland, J.L. & the PDP research group. l986. ...
  • Werbos, P.J. 1974. Beyond regression: New tools for prediction and ...
  • 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 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.