CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

مدلسازی بارش - رواناب با مدل ترکیبی موجک - شبکه عصبی مصنوعی

اعتبار موردنیاز : ۱ | تعداد صفحات: ۸ | تعداد نمایش خلاصه: ۳۰۴۲ | نظرات: ۰
سال انتشار: ۱۳۸۷
کد COI مقاله: NCCE04_101
زبان مقاله: فارسی
حجم فایل: ۱.۴۶ مگابات (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.
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 ۸ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله مدلسازی بارش - رواناب با مدل ترکیبی موجک - شبکه عصبی مصنوعی

    وحید نورانی - استادیار دانشکده مهندسی عمران، دانشگاه تبریز
    یوسف حسن زاده - استاد دانشکده مهندسی عمران، دانشگاه تبریز
  مهدی کماسی - دانشجوی کارشناسی ارشد سازه های هیدرولیکی دانشگاه تبریز
  الناز شرقی - دانشجوی دکتری سازه های هیدرولیکی دانشگاه تبریز

چکیده مقاله:

مدلسازی منطقی و دقیق فرایند بارش – رواناب به عنوان اولین و مهمترین گام در راستای مبارزه با سیلاب به عنوان یک بلای طبیعی می باشد. برای مطالعه این فرایند استوکاستیک امروزه از مدل های جعبه سیاه از جمله مدل سری های زمانی و یا اخیرا از مدل شبکه های عصبی مصنوعی (ANN) که قابلیت پیش بینی و مدلسازی غیر خطی را نیز دارا می باشد. بطور گسترده ایی استفاده می شود . همزمان استفاده از ANN استفاده از انالیز موجک (Wavelet Analyze) در زمینه هیدرولوژی نیز مطرح گردیده است. ترکیب این دو قابلیت، مدل ترکیبی با کارایی بهتر در پیش بینی فرایندهای هیدرولوژیکی به نام شبکه های عصبی – موجک (Conjoined Wavelet – ANN Network) را به وجود می آورد. در این مقاله نخست مبانی این شبکه ها بیان شده و سپس با بهره گیری از آن به مطاعه موردی حوضه لیقوان چای پرداخته شده است. نتایج بیانگر آن است که این روش نسبت به روش های کلاسیک گذشته و روش هایی همانند استفاده از شبکه عصبی تنها، کارایی بالاری را دارا می باشد. چرا که روی میزان تاثیر داده های سری زمانی قبل از ورود به شبکه تفکیک پذیری صورت می گیرد. و سیگنال اولیه به چندین زیر سیگنال (Sub Signal) تجزیه شده که با این کار این امکان را فراهم میآید که بتوان از یک آنالیز که تاثیرات کوتاه مدت و بلند مدت را در بر می گیرد بهره مند شد. که این به نوبه خود شبکه را در ارزیابی و تخمین های آینده بهینه تر می سازد.

کلیدواژه‌ها:

انالیز موجک ، شبکه های عصبی - موجکی ، مدلسازی بارش - رواناب ، لیقوان چای

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-NCCE04-NCCE04_101.html
کد COI مقاله: NCCE04_101

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:
نورانی, وحید؛ یوسف حسن زاده؛ مهدی کماسی و الناز شرقی، ۱۳۸۷، مدلسازی بارش - رواناب با مدل ترکیبی موجک - شبکه عصبی مصنوعی، چهارمین کنگره ملی مهندسی عمران، تهران، دانشگاه تهران، https://www.civilica.com/Paper-NCCE04-NCCE04_101.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: (نورانی, وحید؛ یوسف حسن زاده؛ مهدی کماسی و الناز شرقی، ۱۳۸۷)
برای بار دوم به بعد: (نورانی؛ حسن زاده؛ کماسی و شرقی، ۱۳۸۷)
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 :

  • _ Nourani, V .Monadj emi, P ..Singh, V.P .(2007) Liquid ...
  • Hsu, K., Gupta, H.V . Sorooshian, S.(1995) Artificial neural network ...
  • Ozelkan, E. C. and Duckstein, L.(2001) Fuzzy conceptual rainfal]-runoff models. ...
  • Tokar , A.S, Johnson P.A.(1999) Rain-runoff modeling using artificial neural ...
  • Nakken, M. (1999) Wavelet analysis of rainfall _ runoff variability ...
  • Denyanov, V. Soltani , S, Kanevski, M ., .Conu, S., ...
  • Jayawardena, A.w., Xu, P., Tsang , F.L.L. (2004) Rainfall predication ...
  • Canns, B _ , Fanni, A. _ See, L. _ ...
  • Kim, T., Valdes, J.B. (2003) Nonlinear model for drought forecasting ...
  • Wang, W., Ding, S. (2003) Wavelet network model and its ...
  • Anctil, F., Tape, G.D. (2004) An exploration of artificial neural ...
  • Mallat, S .G. (1998) A wavelet tour of signal processing. ...
  • کدام مقالات به این منبع استناد نموده اند


    بر اساس سیستم تحلیلی استنادات مقالات، تاکنون برای نگارش ۱۰ مقاله استفاده شده است.

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۱۶۲۳۲
    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.