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

بهبود پیش بینی و تخمین بار معلق رودخانه ها با استفاده از شبکه های عصبی مصنوعی

اعتبار موردنیاز: ۱ | تعداد صفحات: ۸ | تعداد نمایش خلاصه: ۱۲۴۷ | نظرات: ۰
سرفصل ارائه مقاله: آب و سازه های هیدرولیکی
سال انتشار: ۱۳۸۵
نوع ارائه: پوستر
کد COI مقاله: ICCE07_424
زبان مقاله: فارسی
حجم فایل: ۲۴۸.۲ کلیوبایت (فایل این مقاله در ۸ 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 ۸ 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 بهبود پیش بینی و تخمین بار معلق رودخانه ها با استفاده از شبکه های عصبی مصنوعی

  احمد میرباقری (شناسه پژوهشگر - Researcher ID: ۱۵۵۶)
استاد دانشکده عمران، دانشگاه صنعتی خواجه نصیرالدین طوسی
  طاهر رجائی - دانشجوی دکتری عمران آب - محیط زیست، دانشگاه صنعتی خواجه نصیرالدین طوسی

چکیده مقاله:

تخمین میزان بار رسوب یکی از اولویتهای بحث مدیریت رودخانه ها، مخازن سدها وبطور کلی پروژه های آبی است. با توجه به پیچیدگی پدیده رسوب و عدم توانایی تعیین دقیق معادلات حاکمه بدلیل تاثیرات پارامترهای مختلف ونیز تاثیر مسائلی نظیر تغییرات مکانی و زمانی شرایط هیدرولوژیکی حوضه آبریز و مشکلات ناشی ازتعیین تاثیرات آنها، محققان به استفاده از مدلهای جعبه سیاه نظیر شبکه های عصبی مصنوعی روی آورده اند. در این مقاله در مورد کارایی این شبکه ها در تخمین و پیش بینی بار معلق رودخانه ها، مطالعاتی انجام یافته و شبکه هایی طراحی شده اند که بار معلق رودخانه ها را پیش بینی می کنند. برای ساخت این شبکه ها از پرسپترون چند لایه استفاده شده و در انواع تقسیم بندی مجموعه داده ها، انواع ترکیبات ورودی شبکه ، تعدادلایه های شبکه و تعداد نورونهای لایه های ورودی ومخفی شبکه، تحقیقاتی انجام گرفته است. برای ایجاد مدلها، از تکنیک توقف زودهنگام (Early Stopping) استفاده شده و برای ارزیابی نتایج، مقایسه ای با روش منحنی سنجه رسوب انجام گرفته که نتایج، نشان دهنده برتری مدل شبکه های عصبی بوده است.

کلیدواژه‌ها:

پرسپترون چند لایه ، پیش بینی رسوب ، توقف زودهنگام ، منحنی سنجه ، شبکه عصبی

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-ICCE07-ICCE07_424.html
کد COI مقاله: ICCE07_424

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:
میرباقری, احمد و طاهر رجائی، ۱۳۸۵، بهبود پیش بینی و تخمین بار معلق رودخانه ها با استفاده از شبکه های عصبی مصنوعی، هفتمین کنگره بین المللی مهندسی عمران، تهران، دانشگاه تربیت مدرس، دانشکده عمران، https://www.civilica.com/Paper-ICCE07-ICCE07_424.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: (میرباقری, احمد و طاهر رجائی، ۱۳۸۵)
برای بار دوم به بعد: (میرباقری و رجائی، 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 :

  • Chen, J., Adams, B. J., 2005. Integration of artificial neural ...
  • Srinivasulu, S., Jain, A., 2005. A comparative analysis of training ...
  • Garcia, L. A., Shigidi, A., 2005. Using neural networks for ...
  • Moradkhani, H., Hsu, K., Gupta, H.V., Sorooshian, S., 2004. Improved ...
  • Bruen, M., Yang, J., 2005. Functional networks in real-time .Flood ...
  • تخمین بار معلق رودخانه زهره با استفاده از شبکه عصبی مصنوعی [مقاله کنفرانسی]
  • میر باقری، س. ا و رجائی، ط. استفاده از شبکه ... [مقاله کنفرانسی]
  • Nagy, H. M., Watanabe, K., and Hirano, M., (2001). "Prediction ...
  • Jain, S. K., (2001). "Development of integrated sediment rating curves ...
  • Sarangi, A., Bhattacharya, A.K., 2005. Comparison of Artificial Neural Network ...
  • Smith, M. (1993). Neural networks for statistical modeling, Van Nostrand ...
  • Finnoff, W., 1993. Improving model selection by no nconvergent method. ...
  • کدام مقالات به این منبع استناد نموده اند

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۱۲۴۵۶
    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.