تخمین بار معلق رودخانه زهره با استفاده از شبکه عصبی مصنوعی
Publish place: 1st National Congress on Civil Engineering
Publish Year: 1383
Type: Conference paper
Language: Persian
View: 1,780
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
069_0129679559
Index date: 5 October 2005
تخمین بار معلق رودخانه زهره با استفاده از شبکه عصبی مصنوعی abstract
تخمین درست حجم رسوبات حمل شده توسط رودخانه ها در پروژه های آبی از اهمیت بسیاری برخوردار است. بطورکلی پدیده فرسایش و انتقال رسوب از پیچیده ترین مسائل هیدرودینامیکی است که تعیین دقیق معادلات حاکم بر آن بدلیل تاثیرات پارامترهای مختلف، به آسانی میسر نیست. حتی اگر مدلی ریاضی نیز تبیین شود، دسترسی به داده های لازم در اکثر موارد به آسانی امکان پذیر نخواهد بود. با توجه به توانائیهای شبکه های عصبی مصنوعی در شناسائی ارتباط بین متغیرهای ورودی و خروجی یک مساله بدون در نظرگرفتن فیزیک آن مساله و نیز بدلیل ضعف مدلهای فیزیکی و ریاضی در مدل کردن فرآیندهای رسوبی،این شبکه ها می توانند در مدل کردن مساله انتقال رسوب بکار روند. در این مقاله با استفاده از شبکه پرسپترون چند لایه (Multi Layer Perceptron) و شبکه پایه شعاعی (Radial Basis Function) ، میزان بار معلق رودخانه زهره پیش بینی شده و با نتایج بدست آمده از روش مرسوم منحنی سنجه رسوب Rating Curve) (Sediment مورد مقایسه و بررسی قرار گرفته است. نتایج حاکی از برتری شبکه پرسپترون چند لایه در پیش بینی بار معلق، خصوصاٌ در دبی های بالای جریان بوده است.
تخمین بار معلق رودخانه زهره با استفاده از شبکه عصبی مصنوعی Keywords:
تخمین بار معلق رودخانه زهره با استفاده از شبکه عصبی مصنوعی authors
سیداحمد میرباقری
دانشیار بخش راه و ساختمان دانشگاه شیراز
طاهر رجائی
دانشجوی کارشناسی ارشد سازه های هیدرولیکی دانشگاه شیراز
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :