مقایسه مدلسازی بار رسوب کل رودخانه ها با استفاده از برنامه نویسی ژنتیک و شبکه عصبی مصنوعی
محل انتشار: دومین کنفرانس بین المللی اکولوژی سیمای سرزمین
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 519
فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IALE02_146
تاریخ نمایه سازی: 5 بهمن 1395
چکیده مقاله:
برآورد بار رسوب کل رودخانه ها یکی از مسائل مهم و کاربردی در مدیریت و برنامه ریزی منابع آب است. لیکن ماهیت چندبعدی و وابستگی غیرخطی متغیرها با یکدیگر مسئله ای چالش برانگیز در مدلسازی انتقال بار رسوب رودخانه است. بار رسوب می تواند به کمک روابط مختلف محاسبه شود. هدف از این پژوهش مقایسه دو روش شبکه های عصبی مصنوعی ( ANN )و برنامه نویسیس ژنتیک در تخمین بار رسوب کل بود. بدین منظور از دو نوع شبکه عصبی پرسپترون چند لایه ( MLP )و توابع پایه شعاعی ( RBF) در روش شبکه های عصبی مصنوعی استفاده شد. به همین منظور از 200 نمونه، استفاده شد. 75 درصد از داده هابرای آموزش و 25 درصد برای آزمون شبکه ها در نظر گرفته شدند. متغیرهای سرعت جریان، عرض کانال، عمق جریان، شیب خط انرژی و قطر میانه اندازه ذرات به عنوان ورودی مدل و غلظت رسوب کل به عنوان خروجی مدل در نظر گرفته شدند. نتایج نشانداد که شبکه های عصبی بهویژه مدل MLP 2 با ضریب همبستگی 0/96و RMSE0/87 ، در مقایسه با مدل طراحی شده الگوریتم ژنتیک با ضریب تبیین 0/90 وRMSE ، برابر با 0/42غلظت رسوب کل را با دقت مطلوب تری برآورد می نماید.
کلیدواژه ها:
نویسندگان
مریم محمدزاده
دکتری خاکی فیزیک و حفاظت منابع طبیعی و آبخیزداری استان خوزستان؛ اهواز؛ ایران
مهناز اسکندری
استادیار پژوهش موسسه تحقیقات خاک و آب؛ سازمان تحقیقات، آموزش و ترویج کشاورزی؛ کرج؛ ایران
امین فلامکی
استادیار گروه مهندسی دانشگاه پیام نور، شیراز، ایران
عباس معظم زاده
کارشناس ارشد زمین شناسی منابع طبیعی و آبخیزداری استان خوزستان؛ اهواز؛ ایران
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 :