برآورد رسوب معلق با استفاده از شبکه عصبی و ارزیابی توابع آموزشی(مطالعه موردی: استان لرستان)
Publish place: Journal of Watershed Management Research، Vol: 5، Issue: 10
Publish Year: 1393
نوع سند: مقاله ژورنالی
زبان: Persian
View: 145
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWMR-5-10_007
تاریخ نمایه سازی: 17 مهر 1400
Abstract:
بهمنظور اجرای برنامه های حفاظت خاک و کاهش رسوب زایی، همچنین محاسبه و طراحی دقیق حجم مخزن سد در احداث سدهای مخزنی، ضرورت دارد که میزان تولید رسوب در یک حوزه آبخیز، ارزیابی و برآورد گردد. بطورکلی پدیده فرسایش و انتقال رسوب از پیچیدهترین مسائل هیدرودینامیکی است که تعیین دقیق معادلات حاکم بر آن بدلیل اثرات پارامترهای مختلف، به آسانی میسر نیست. حتی اگر مدلی ریاضی نیز تبیین شود، دسترسی به دادههای لازم در اکثر موارد به آسانی امکان پذیر نخواهد بود. با توجه به توانایی های شبکه های عصبی مصنوعی در شناسائی ارتباط بین متغیرهای ورودی و خروجی یک مساله، بدون در نظر گرفتن فیزیک آن مساله و نیز بدلیل ضعف مدل های فیزیکی و ریاضی در مدل کردن فرآیندهای رسوبی، این شبکه ها می توانند در مدل کردن مساله انتقال رسوب بکار روند. هدف از این مطالعه به دست آوردن الگوریتم مناسب با استفاده از شبکه عصبی پیشخور پس انتشار خطا ( Feed-Forward Back propagation )، Fitting و Cascade Forward Back prop به منظور برآورد میزان رسوبات معلق در حوزه لرستان می باشد. به این منظور برای برآورد رسوب، از دادههای دبی، بارش و رسوب رودخانه های کاکارضا، دهنو، چم انجیر استان لرستان به صورت ماهانه استفاده شد. لازم به ذکر است که داده های رسوبات معلق در خروجی حوزه (ایستگاه چم انجیر) از پراکنش مناسب تری برخوردار است. از میان سه شبکه مورد استفاده در این مطالعه شبکه fitting به منظور برآورد میزان رسوب مناسب تشخیص داده شد. از بین سیزده الگوریتم مورد استفاده در این مطالعه، TRAINLM به عنوان بهترین الگوریتم با ضریب همبستگی ۹۹/۰ R= ، ۱۰/۰ RMSE= ، انتخاب شد.
Keywords:
Authors
محسن یوسفی
دانشکده منابع طبیعی دانشگاه یزد
ربابه پورشرعیاتی
دانشکده منابع طبیعی دانشگاه یزد
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 :