CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

بررسی کارایی شبکه عصبی فازی CANFIS در تخمین بار رسوب رودخانه (مطالعه موردی حوزه آبخیز زشک- ابرده شهرستان شاندیز)

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۰ | تعداد نمایش خلاصه: ۱۰۳ | نظرات: ۰
سال انتشار: ۱۳۹۵
کد COI مقاله: SDEWE02_073
زبان مقاله: فارسی
حجم فایل: ۸۵۲.۲۸ کیلوبایت (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.
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 ۱۰ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله بررسی کارایی 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 تاثیر قرار می دهد و به عنوان یکی از بزرگترین مشکلات بهره برداری از منابع آبهای سطحی در جهان مطرح می باشد. در این پژوهش عملکرد شبکه عصبی مصنوعی CANFIS دربرآورد بار رسوب حوزه زشک ابرده شهرستان شاندیز مورد ارزیابی قرار گرفت. بدین منظور سه سناریو شبیه 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 دبی آب، باران و دمای روزانه استفاده گردید. نتایج نشان داد سناریوی S3 با معماری تابع عضویت بل، تابع انتقال تانژانت هایپربولیک و قانون آموزش لونبرگ مارکوارت با حداقل MSE (میانگین مربعات خطا) و MSE نهایی بدست آمده طی مرحله آموزش، به ترتیب با ارزش 0/026 و 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 شبکه قدرت و کارایی نسبتا مشابهی در طول فرایند آزمون دارند. ولی S3 در مجموعه آزمون با داشتن MSE و NMSE کمتر در مقایسه با سایر سناریوها بهتر عمل 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 حضور داده 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 بینی دقیق بار رسوبی نشان نداد. این می تواند به دلیل کمبود داده های آموزشی و غیر دقیق بودن و وجود خطا در آمار حوزه باشد. آنالیز حساسیت نشان می دهد که همه شبکه های بهینه نسبت به تغییرات دبی آب حساس هستند. عدم حساسیت شبکه های عصبی مصنوعی نسبت به تغییرات بارش در حوزه زشک می تواند بدلیل پیچیدگی توزیع مکانی و زمانی بارندگی همراه با پیچیدگی فرایند دبی رسوب 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-SDEWE02-SDEWE02_073.html
کد COI مقاله: SDEWE02_073

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، بررسی کارایی شبکه عصبی فازی CANFIS در تخمین بار رسوب رودخانه (مطالعه موردی حوزه آبخیز زشک- ابرده شهرستان شاندیز)، دومین کنفرانس ملی توسعه پایدار در سیستم های مهندسی انرژی، آب و محیط زیست، تهران، دانشگاه علم و صنعت ایران، https://www.civilica.com/Paper-SDEWE02-SDEWE02_073.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، عبدالرسول، بیرودیان، نادر و منوچهری. اسماعیل، "مدلسازی تغییرات ... (مقاله ژورنالی)
  • - Zhu, Y. M., Lu, X. X., & Zhou, Y., ...
  • - دهقانی، امیرمحمد، زنگانه، محمد ابراهیم، مساعدی، ابوالفضل، کوهستانی، نسرین، ... (مقاله ژورنالی)
  • - عباسی شوشتری، شاداب، و کاشفی پور، س محمود، "برآورد ... [مقاله کنفرانسی]
  • - Memarian, H., and Balasundram, S. K., "Comparison between multi-layer ...
  • - Alp, M., and Cigizoglu, H. K., "Suspended sediment load ...
  • منهاج، محمد باقر، "مبانی شبکه های عصبی- هوش محاسباتی"، جلد ...
  • - Coulibaly, P., Anctil, F., & Bobee, B. "Daily reservoir ...
  • - معتمد وزیری، بهارک، احمدی، حسن، مهدوی، محمد، و شریفی، ... (مقاله ژورنالی)
  • - سمنانی، داریوش، حاجیان‌فر، مهدی، "منطق فازی و سیستم عصبی ...
  • - فتح آبادی، ابوالحسن، سلاجقه، علی، و مهدوی، محمد، "پیش ... (مقاله ژورنالی)
  • - Jang, J.S.R., Sun, C.T., and Mizutani, E., "Neuro-fuzzy and ...
  • مقایسه کارآیی شبکه عصبی مصنوعی در تهیه منحنی سنجه رسوب [مقاله کنفرانسی]
  • استفاده از سیستم فازی- عصبی تطبیقی در مدلسازی بارش- رواناب [مقاله کنفرانسی]
  • - زارع ابیانه، حمید، بیات ورکشی، مریم، "ارزیابی مدل‌های هوشمند ...
  • - رضایی، مجید، معماریان، هادی، "استفاده از سری‌های زمانی بارش ... (مقاله ژورنالی)
  • - ذرتی‌پور، امین، "مقایسه کارایی روش‌های نروفازی، شبکه عصبی مصنوعی ... (مقاله ژورنالی)
  • - Goali, Q., Chen, S. and Wang, D., "An intelligent ...
  • - Yarar, A., Onucyldnz, M., and Copty, N. K., "Modelling ...
  • - مهندسین مشاور آبخیز گستر شرق، مطالعات تفضیلی اجرایی آبخیزداری ...
  • - Zealand, C.M., Burn, D.H., and Simonovic, S.P., "Short termn ...
  • - Aytek, A., "Co-active neurofuzzy inference system for evap otranspiration ...
  • - Jang, J.S., "ANFIS: _ d aptive -network-b ased fuzzy ...
  • - Hemachandra, S., and Satyanarayana, R.V.S., "Co-active neuro-fuzzy inference system ...
  • - Tfwala, S.S., Wang, Y.M., and Lin, Y.C., "Prediction of ...
  • - رضایی، مجید، معماریان، هادی، "استفاده از سری های زمانی ... (مقاله کنفرانسی)
  • - Aziz, K., Rahman, A., Shamseldin, A.Y., and Shoaib, M., ...
  • - Principe, J. C., Lefebvre, W. C., Lynn, G., Fancourt, ...
  • - Memarian, H., Balasundram, S. K., and Tajbakhsh, M., "An ...
  • - Principe, J. C., Euliano, N. R., and Lefebvre, C. ...
  • - Safari, A., De Smedt, F., and Moreda, F., "WetSpa ...
  • - Nash, J.E., and Sutcliffe, J.V., "River flow forecasting through ...
  • - Wilson, D.R., and Martinez, T.R, "'The general inefficiency of ...
  • - Chuan, C.S., "Weather prediction using artificial neural network", J. ...
  • - Ebrahimpour M, Balasundram SK, Talib], Anuar AR, Memarian H. ...
  • - دستورانی، محمد تقی، عظیمی فشی، خداکرم.، طالبی، علی و ... (مقاله ژورنالی)
  • - Kisi, O., and Guven, A., ," A machine code-based ...
  • - Kisi, O., Dailr, A.H., Cimen, M., and Shiri, J., ...
  • 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 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.