CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

استفاده از شبکه عصبی فازی CANFIS در تخمین بار رسوب رودخانه (مطالعه موردی حوزه آبخیز زشک ابرده شهرستان شاندیز)

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۲ | تعداد نمایش خلاصه: ۸۵ | نظرات: ۰
سرفصل ارائه مقاله: مکانیک
سال انتشار: ۱۳۹۵
کد COI مقاله: ITCC04_244
زبان مقاله: فارسی
حجم فایل: ۶۵۷.۸۷ کیلوبایت (فایل این مقاله در ۱۲ 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.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۲ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله استفاده از شبکه عصبی فازی CANFIS در تخمین بار رسوب رودخانه (مطالعه موردی حوزه آبخیز زشک ابرده شهرستان شاندیز)

  فاطمه محمدی گیوشاد - دانشجوی کارشناسی ارشد مهندسی آبخیزداری، دانشگاه بیرجند
  سیدمحمد تاجبخش - استادیار دانشکده منابع طبیعی و محیط زیست دانشگاه بیرجند
  هادی معماریان - استادیار دانشکده منابع طبیعی و محیط زیست دانشگاه بیرجند

چکیده مقاله:

پدیده انتقال رسوب از جمله فرآیندهای هیدرودینامیکی مهمی است که بسیاری از سازه های رودخانه ای و تاسیسات عمرانی را تحت تاییر قرارمی دهد و به عنوان یکی از بزرگترین مشکلات بهره برداری از منابع آب های سطحی در جهان مطرح می باشد. در این پژوهش عملکرد شبکهعصبی مصنوعی CANFIS در برآورد بار رسوب حوزه زشک ابرده شهرستان شاندیز مورد ارزیابی قرار گرفت. بدین منظور سه سناریوشبیه سازی شد. به منظور شبیه سازی سناریوی S1 از ورودی دبی آب، سناریوی S2 از دبی آب و باران روزانه و سناریوی S3 از ورودی دبیآب، باران و دمای روزانه استفاده گردید. نتایج نشان داد سناریوی S3 با معماری تابع عضویت بل، تابع انتقال تانژانت های پربولیک و قانونآموزش لونبرگ مارکوارت با حداقل MSE (میانگین مربعات خطا) و MSE نهایی بدست آمده طی مرحله آموزش، به ترتیب با ارزش 0/026و 0/026 که نسبت به S2 و S1 مقدار کمتری بدست آمد کارایی بهتری در پیش بینی بار رسوبی دارد. همچنین مشخص شد که هر سه شبکهردرت و کارایی نسبتا مشابهی در طول فرایند آزمون دارند. ولی S3 در مجموعه آزمون با داشتن MSE و NMSE کمتر در مقایسه با سایرسناریوها بهتر عما کرده است. از طرفی این سناریو دارای NSE (ضریب نش) برابر با 0/743 و AM (سنجه جمعی) برابر با 0/806 عملکرد بهتری را نشان میدهد. همچنین شبکه عصبی در برآورد نقاط حدی دچار تخمین کمتر از حد بود که یکی از دلایل آن می تواند کمبود حضورداده های حدی در مرحله آموزش شبکه باشد. اما با این وجود در مجموع شبکه عصبی در این حوزه کارایی کاملا رضایت بخشی را در پیش بینیدقیق بار رسوبی نشان نداد. این می تواند به دلیل کمبود داده های آموزشی و غیر دقیق بودن و وجود خطا در آمار حوزه باشد.

کلیدواژه‌ها:

شبکه عصبی، CANFIS ، دبی آب، دبی رسوب

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-ITCC04-ITCC04_244.html
کد COI مقاله: ITCC04_244

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:
محمدی گیوشاد, فاطمه؛ سیدمحمد تاجبخش و هادی معماریان، ۱۳۹۵، استفاده از شبکه عصبی فازی CANFIS در تخمین بار رسوب رودخانه (مطالعه موردی حوزه آبخیز زشک ابرده شهرستان شاندیز)، چهارمین همایش ملی کاربرد فناوری های نوین در علوم مهندسی، تربت حیدریه، دانشگاه تربت حیدریه، https://www.civilica.com/Paper-ITCC04-ITCC04_244.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: (محمدی گیوشاد, فاطمه؛ سیدمحمد تاجبخش و هادی معماریان، ۱۳۹۵)
برای بار دوم به بعد: (محمدی گیوشاد؛ تاجبخش و معماریان، ۱۳۹۵)
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 :

  • تلوری، ع. ا، بیرودیان، ن.، و منوچهری. ا. "مدلسازی تغییرات ... (مقاله ژورنالی)
  • Zhu, Y. M., Lu, X. X. & Zhou, Y., "Suspended ...
  • _ مساعدی، ا.، کوهستانی، ن.، "مقایسه تخمین بار معلق به ... (مقاله ژورنالی)
  • عباسی شوشتری، ش، و کاشفی پور، س ع.، "برآورد بار ... [مقاله کنفرانسی]
  • Memarian, H., & Balasundra. S. K., "Comparison between multi-layer perceptron ...
  • Alp, M., & Cigizoglu, H K., "Suspended sediment load simulation ...
  • [ا مها، م. ب، "مبانی شبکه های عصبی- هوش محاسباتی"، ...
  • lCoulibaly, P., Anctil, F., & Bobee, B. "Daily reservoir inflow ...
  • عتمد وزیری، ب.، احمدی، ح.، مهدوی، م.، و شریفی، ف.، ... (مقاله ژورنالی)
  • I۱۰] سمنانی، د.، حاجیان‌فر، م.، "منطق فازی و سیستم عصبی ...
  • فتح آباد، ، سلاجه، ع، و مهدوی، م.» "پیش بینی ... (مقاله ژورنالی)
  • Jang, J.S.R., Sun, C.T., and Mizutani, E., "Neuro-fuzzy and soft ...
  • مقایسه کارآیی شبکه عصبی مصنوعی در تهیه منحنی سنجه رسوب [مقاله کنفرانسی]
  • استفاده از سیستم فازی- عصبی تطبیقی در مدلسازی بارش- رواناب [مقاله کنفرانسی]
  • زاع ابیانه، ح، بیات ورکشی، م.، "ارزیابی مدل‌های هوشمند عصبی ...
  • (۱۶ رضایی، م، معماریان، .، "استفاده از سری‌های زمانی بارش ... (مقاله ژورنالی)
  • _ "مقایسه کارایی روش‌های نروفازی، شبکه عصبی مصنوعی و مدل‌های ... (مقاله ژورنالی)
  • Goali, Q., Chen, S. and Wang, D., _ intelligent runoff ...
  • Yarar, A., Omucyldrz, M., & Copty, N. K., "Modelling level ...
  • مهندسین مشاور آبخیز گستر شرق، مطالعات تفضیلی اجرایی آبخیزداری حوزه ...
  • Zealand, C.M., Burn, D.H., and Simonovic, S.P., "Short term streamflow ...
  • Aytek, A., "Co-active neurofuzzy inference system for evapotran spiration modeling", ...
  • Jang, J.S., :ANFIS: adap tive-network- based fuzzy inference system:, IEEE ...
  • Hemachandra, S., and Satyanarayana, R.V.S., "Co-active neuro-fuzzy inference system for ...
  • Tfwala, S.S., Wang, Y .M., and Lin, Y.C., "Prediction of ...
  • (۲۶ رضایی، م، معماریان، .، "استفاده از سری های زمانی ... (مقاله کنفرانسی)
  • Aziz, K., Rahman, A. Shamseldin, A.Y., and Shoaib, M., "Co-active ...
  • C., Lynn, G., Fancourt, C., & Wooten, D., "NeuroSolutios -Documentatio. ...
  • Memarian, _ Balasundram, S. K., & Tajbaksh, M., "An expert ...
  • Principe, J. C., Euliano, N. R., & Lefebvre, C. W., ...
  • Safari, A., De Smedt, F., and Moreda, F, "WetSpa model ...
  • Nash, J.E., and Sutcliffe, J.V., "River flow forecasting through conceptual ...
  • Wilson, D.R., and Martinez, T.R., "The general inefficiency of batch ...
  • Chuan, C.S., "Weather prediction using artificial neural network? J. Hydrol, ...
  • Ebrahimpour M, Balasundram SK, Talib J, Anuar AR, Memarian H., ...
  • دستورانی، م. ت.، عظیمی فشی، خ.، طالبی، ع. و اختصاصی، ... (مقاله ژورنالی)
  • W National Conference on Application of Novel Technologies in Engineering ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۶۷۱۷
    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.