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

استفاده از شبکه های عصبی مصنوعی (ANNs) برای تخمین رسوب در دریاچه سد سپیدرود

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۷ | تعداد نمایش خلاصه: ۲۰۹۷ | نظرات: ۰
سال انتشار: ۱۳۸۵
نوع ارائه: پوستر
کد COI مقاله: IDNC01_224
زبان مقاله: فارسی
حجم فایل: ۱۴۲.۶۴ کیلوبایت (فایل این مقاله در ۷ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۷ 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 ۷ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله استفاده از شبکه های عصبی مصنوعی (ANNs) برای تخمین رسوب در دریاچه سد سپیدرود

  مجید شیرزاد - دانشجوی کارشناسی ارشد آبیاری و زهکشی دانشگاه تربیت مدرس
  میراحمد لشت نشائی - عضو هیئت علمی گروه عمران دانشگاه گیلان
  کورش محمدی - عضو هیئت علمی گروه آبیاری و زهکشی دانشگاه تربیت مدرس

چکیده مقاله:

آبیاری از عوامل مهم برای دستیابی به کشاورزی پایدار در مناطقی است که مقدار بارندگی جوابگوی نیاز آبی گیاهان نیست. درنتیجه طراحی، اجرا و مدیریت یک سیستم آبیاری نقش مهمی در کشاورزی این مناطق دارد . دشت گیلان از جمله مناطقی است که فصل کشت و بارندگی با هم تطابق ندارند، بنابراین بخش عمده نیاز آبی دشت گیلان که حدودا " 175000 هکتار می باشد از سد چند منظوره سپیدرود تامین می شود . متاسفانه به علت عدم آبخیزداری در حوضه آبریز رودخانه سپیدرود و از بین رفتن پوشش گیاهی و جوان بودن تشکیلات زمین شناسی این حوضه ، مقدار رسوب ورودی به مخزن سد سپیدرود بسیار بالا است . مطالعات نشان داده که میزان رسوب محاسبه شده توسط روابط ریاضی حاکم بر هیدرولیک رسوب بسیار کمتر از مقادیر واقعی است . در این مقاله آمار 24 ساله رژیم آبدهی و رسوب دهی رودخانه سفید رود در 5 ایستگاه مختلف با شبکه عصبی مصنوعی مورد تجزیه و تحلیل قرار گرفته است تا تخمین مناسب تری از آورد رسوب پشت سد برای مدیریت بهتر آبیاری اراضی پایین دست در سال های آینده معرفی شود. مقادیر پیش بینی شده توس ط مدل شبکه عصبی مصنوعی با اندازه گیری های واقعی و همچنین روابط رگرسیونی که برای پیش بینی رسوب بدست آمده بود مقایسه گردید که نشان دهنده دقت نسبتا" مناسب مدل های شبکه عصبی مصنوعی بود.

کلیدواژه‌ها:

شبکه عصبی مصنوعی، بار رسوب، آبدهی و رسوب، مدل رگرسیونی

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-IDNC01-IDNC01_224.html
کد COI مقاله: IDNC01_224

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:
شیرزاد, مجید؛ میراحمد لشت نشائی و کورش محمدی، ۱۳۸۵، استفاده از شبکه های عصبی مصنوعی (ANNs) برای تخمین رسوب در دریاچه سد سپیدرود، اولین همایش ملی مدیریت شبکه های آبیاری و زهکشی، اهواز، دانشگاه چمران، https://www.civilica.com/Paper-IDNC01-IDNC01_224.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: (شیرزاد, مجید؛ میراحمد لشت نشائی و کورش محمدی، ۱۳۸۵)
برای بار دوم به بعد: (شیرزاد؛ لشت نشائی و محمدی، 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 :

  • البرزی، م. ۱۳۸۱. آشنایی با شبکه های عصبی مصنوعی، انتشارات ...
  • بی نام، ۱۳۷۸. ساماندهی رودخانه سپیدرود از سد سپیدرود تا ...
  • بی نام، ۱۳۸۱. گزارشات رسوب زدایی از مخزن سد سپیدرود، ...
  • Abrahart, RJ., White, SM., 2001. Modeling sediment transfer in Malawi: ...
  • Arinash, Agarwal., Singh, RD., 2004. ANN-based sediment yield models for ...
  • Carter, Julie., Owens, Philip N., Walling, Desmond E., 2003. Fingerprintin ...
  • Haykin. S. 1994, Neural Network: A comprehensive foundation, NY: Macmillan ...
  • Hud son-Edwards, Karen A., et al. 2003. The impact of ...
  • Kerem Cigizoglu, H., 2003. Estimation and forecasting of daily suspended ...
  • Kerem Cigizoglu, H., Alp, Murat., 2006. Generalized regression neural network ...
  • Kerem Cigizoglu, H., 2002. Suspended sediment estimation for rivers using ...
  • Sarangi, A., Bhatta Charya, A.K., 2005. Comparison of artificial neural ...
  • Yitian, Li., GU, Roy R., 2003. Modeling flow and sediment ...
  • 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: دانشگاه دولتی
    تعداد مقالات: ۲۱۵۹۱
    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 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.