Publisher of Iranian Journals and Conference Proceedings

Please waite ..
CIVILICAWe Respect the Science
Publisher of Iranian Journals and Conference Proceedings
عنوان
Paper

مدلسازی بار رسوب معلق با استفاده مدل رگرسیون غیرخطی هوشمند براساس الگوریتم ژنتیک و شبکه عصبی مصنوعی چندلایه (مطالعه موردی رودخانه میناب)

تعداد صفحات: 10 | تعداد نمایش خلاصه: 51 | نظرات: 0
سال انتشار: 1398
کد COI Paper: CSCG03_175
زبان Paper: Persian
(فایل این Paper در 10 صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این Paper

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این Paper را خریداری نمایید.

با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک Paper) 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 Paper، ابتدا تعداد صفحات Paper را در بالای این صفحه کنترل نمایید.

برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل Paper

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای 10 صفحه است در اختیار داشته باشید.

قیمت این مقاله : 7,000 تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان Paper مدلسازی بار رسوب معلق با استفاده مدل رگرسیون غیرخطی هوشمند براساس الگوریتم ژنتیک و شبکه عصبی مصنوعی چندلایه (مطالعه موردی رودخانه میناب)

ناصر صفائیان حمزهکلائی - استادیار گروه مهندسی عمران، دانشگاه بزرگمهر قائنات
میثم علی ضمیر - دکتری مهندسی عمران

چکیده Paper:

تخمین میزان بار رسوب معلق در رودخانه ها یکی از مهمترین مسائل در مدیریت منابع آب می باشد. این تحقیق برای نخستین بار یک مدل هوشمند کارآمد برساس ترکیب الگوریتم بهینه سازی ژنتیک و شبکه های عصبی مصنوعی برای تخمین میزان بار رسوب معلق در رودخانه میناب واقع در جنوب ایران ارائه می نماید. مدل های توسعه داده شده توسط داده های مشاهداتی که شامل دبی رودخانه و دبی رسوب می باشد، آموزش و آزمایش گردیده اند. همچنین، به منظور تعیین بهترین ترکیب داده های ورودی از آنالیز همبستگی استفاده شده است. برای بررسی کارآیی مدل پیشنهادی، نتایج مدل ترکیبی ( شبکه های عصبی و الگوریتم ژنتیک) با مدل شبه های عصبی که وظیفه تنظیم وزن های شبکه توسط الگوریتم بهینه ساز صورت گرفته است، با استفاده از آماره هایی مانند ضریب تبیین ( 2R) و جذر میانگین مربعات خطا ( RMSE )، مقایسه شده است. نتایج حاکی از آن است که مدل ترکیبی بر اساس الگوریتم بهینه ساز ژنتیک برتری قابل ملاحظه ای نسبت به مدل شبکه عصبی در دوره آموزش و هم آزمایش داشته و نقاط پیک بار رسوبی را با دقت بهتری تخمین می زند. بهترین مدل ترکیبی با خطای 1543 کیلوگرم در روز در مقابل شبکه عصبی با خطای 2860 کیلوگرم در روز دقت بیشتری را از خود نشان داده و میتواند به عنوان یک مدل کارآمد جهت مدل سازی انتقاه رسوب در رودخانه به کار گرفته شود.

کلیدواژه ها:

بار رسوب معلق؛ مده رگرسيون غيرخطي هوشمند؛ امگوريته تنتيم؛ شبكه عصبي مصنوعي؛ رودخانه ميناب

کد Paper/لینک ثابت به این Paper

برای لینک دهی به این Paper می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت Paper در مرجع سیویلیکا مورد استفاده قرار میگیرد:

https://civilica.com/doc/1006114/

کد COI Paper: CSCG03_175

نحوه استناد به Paper:

در صورتی که می خواهید در اثر پژوهشی خود به این Paper ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
undefined، undefined و undefined، undefined،1398،مدلسازی بار رسوب معلق با استفاده مدل رگرسیون غیرخطی هوشمند براساس الگوریتم ژنتیک و شبکه عصبی مصنوعی چندلایه (مطالعه موردی رودخانه میناب)،سومین کنفرانس بین المللی محاسبات نرم،Rudsar،،،https://civilica.com/doc/1006114

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این Paper اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (1398، صفائیان حمزهکلائی، ناصر؛ میثم علی ضمیر)
برای بار دوم به بعد: (1398، صفائیان حمزهکلائی؛ علی ضمیر)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

Research Info Management

Certificate | Report Paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export Citation info of this Paper to research management softwares

علم سنجی و رتبه بندی Paper

مشخصات مرکز تولید کننده این Paper به صورت زیر است:
نوع مرکز: state university
تعداد مقالات: 240
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.

New Suggested Papers

New RelatedPapers

Share this paper

WHAT IS COI?

COI is a national code dedicated to all Iranian Conference and Journal Papers. the COI of each paper can be verified online.

Support