پیشبینی توزیع غلظت رسوبات معلق با استفاده از مدل شبکهعصبی مصنوعی
Publish place: Marine science and technology، Vol: 17، Issue: 2
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 99
This Paper With 9 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_JMST-17-2_002
تاریخ نمایه سازی: 25 دی 1401
Abstract:
در هیدرولیک رسوب، برآورد صحیح غلظت رسوب معلق از جهات مختلف مانند تخمین دبی رسوب عبوری، جانمایی سازه های هیدرولیکی و غیره مهم می باشد. با توجه به اهمیت موضوع، در این مطالعه برای مدلسازی و پیشبینی غلظت رسوب رودخانه کارون از شبکه عصبی مصنوعی پرسپترون چند لایه(ANN/MLP) استفاده شد. بدین منظور از ۱۲۵ سری داده صحرایی اندازه گیری شده شامل غلظت نزدیک کف، سرعت نقطه ای، نزدیکترین فاصله از ساحل، عمق کل جریان و عمق نقطه ای جریان استفاده شد. کارایی مدل مورد استفاده با استفاده از پارامترهای آماری مانند ضریب تبیین(R۲) و ریشه میانگین مجذور خطا، میانگین خطای مطلق(RMSE)مورد ارزیابی قرار گرفت. نتایج این پژوهش نشان داد، مدل MLP با یک لایه میانی، تابع سیگمویید و ۵ نرون، بهترین ساختار را در مدلسازی غلظت رسوب رودخانه کارون داشته اند. مقدار ضریب تبیین(R۲) و خطای ریشه میانگین مربعات خطا(RMSE) برابر ۹۵۳/۰ و ۳۷/۶۳ میلی گرم بر لیتر به ترتیب در مرحله آموزش و۷۵۲/۰ و ۰۲/۲۰۳ میلی گرم بر لیتر در مرحله صحتسنجی بوده است. همچنین آنالیز حساسیت انجام شده بر روی پارامترهای ورودی مدل نشان می دهد کمترین و بیشترین تاثیر را دو پارامتر فاصله از ساحل و عمق جریان در یادگیری شبکه عصبی مصنوعی داشتند.
Keywords:
Authors
حسین بهرامی
Department of Marine Structures, Faculty of Engineering, Khorramshahr University of marine science and technology
صمد امامقلی زاده
Department of Soil and Water, Faculty of Agriculture, shahrood industrial University
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 :