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

پیش بینی جریان با استفاده از شبکه های عصبی مصنوعی

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۱۳۳۰ | نظرات: ۰
سرفصل ارائه مقاله: هیدرولیک آبهای زیر زمینی، سطحی، و زهکشی
سال انتشار: ۱۳۸۴
کد COI مقاله: IHC05_221
زبان مقاله: فارسی
حجم فایل: ۲۶۳.۹۱ 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 با استفاده از شبکه های عصبی مصنوعی

  فرید شریفی - فوق لیسانس سازه های هیدرولیکی دانشگاه علم و صنعت
    امید بزرگ حداد (شناسه پژوهشگر - Researcher ID: ۲۰۵۷)
دکتری اب دانشگاه علم و صنعت
  سعید علیمحمدی - عضو هیئت علمی دانشگاه صنعت آب و برق شهید عباسپور

چکیده مقاله:

تهیه مدلهای پیش بینی جریان یکی از مهمترین مسائل پیش روی متخصصین منابع اب می باشد. مدلهای پیشین در این زمینه به فرم مدلهای رگرسیونی و سریهای زمانی موجود می باشند. امروزه شبکه های عصبی مصنوعی (ANNs ) در کنار مدلهای سنتی مورد استفاده قرار می گیرند. در این تحقیق توانایی شبکههای عصبی مصنوعی در پیش بینی جریان مورد ارزیابی قرار گرفته است. برای این منظور ازجریان ماهانه ورودی به مخزن سدکارون 5 استفاده شده است. یک سری زمانی از جریان ورودی ماهانه به طول43 سال در دسترس بوده که 80%آنها برای آموزش شبکه و 20% برای آزمایش آن مورد استفاده قرار گرفته است. از شبکه هایی به فرم پرسپترونهای چند لایه (MLP ) و الگوریتم پس از انتشار خطا (BP ) برای یافتن ساختار شبکه استفاده شده است. همچنین ترکیبهای مختلفی از جریان در ماههای گذشته مورد استفاده قرار گرفت. نتایج نشان داده است که اگرچه پیش بینی جریان با استفاده از جریان 12 ماه گذشته بهترین نتیجه را در بر خواهد داشت ولی ترکیب اولین ششمین و دوازدهمین ماه قبل در کنار هم نتایج مشابهی در بر داشته است. لذا ترکیب اخیر جهت پیش بینی انتخاب شده که علاوه بر احتیاج به تعداد داده های کمتر، زمان ترتیب شبکه را نیز کاهش خواهد داد.

کلیدواژه‌ها:

شبکه های عصبی مصنوعی ، پیش بینی جریان

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-IHC05-IHC05_221.html
کد COI مقاله: IHC05_221

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:
شریفی, فرید؛ امید بزرگ حداد و سعید علیمحمدی، ۱۳۸۴، پیش بینی جریان با استفاده از شبکه های عصبی مصنوعی، پنجمین کنفرانس هیدرولیک ایران، کرمان، دانشگاه باهنر کرمان، https://www.civilica.com/Paper-IHC05-IHC05_221.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: (شریفی, فرید؛ امید بزرگ حداد و سعید علیمحمدی، ۱۳۸۴)
برای بار دوم به بعد: (شریفی؛ بزرگ حداد و علیمحمدی، ۱۳۸۴)
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 :

  • ASCE Task Committee on Application of Artificial Neural Networks in ...
  • Coulibaly, P., Anctil F., and Bobee, B. (2001), "Multivariate Reservoir ...
  • Coulibaly, P., Anctil, F., and Bobee, B .(2000), "Daily reservoir ...
  • Garret, J.H., et al. (1993) "Engineering applications of artificial neural ...
  • Jain, S. K., Das , D., and Srivastava, D.K.(1999), "Application ...
  • Raman, H., and Sunilkumar, N.(1995), "Multi-variant modeling of water resources ...
  • Rumelhart, D and D Zipser، ، Feature Discovery by Competitive ...
  • Salas, J.D., Markus, M. and Takar, A.S. (2000), "Streamflow Forecasting ...
  • Sun, C., Neale, C.M.U. _ and McDonnel, J.J.(1993), "The potential ...
  • Tokar, S., and Markus, M., (2000), _ Prec ip itation-Runoff ...
  • کدام مقالات به این منبع استناد نموده اند


    بر اساس سیستم تحلیلی استنادات مقالات، تاکنون برای نگارش ۱ مقاله استفاده شده است.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۲۷۷۵۱
    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.