کاربرد سامانه های هوشمند و روش های آماری در تخمین توزیع غلظت رسوبات معلق
Publish place: The Journal of Water and Soil، Vol: 24، Issue: 3
Publish Year: 1393
نوع سند: مقاله ژورنالی
زبان: Persian
View: 96
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WASO-24-3_018
تاریخ نمایه سازی: 25 دی 1401
Abstract:
آگاهی از توزیع عمقی رسوبات معلق در کانال ها و آبراهه های طبیعی در تخمین بار رسوبی جریان اهمیت بسیار زیادی دارد. هزینههای زیاد و زمان بر بودن عملیات نمونه برداری از رودخانه ها و همچنین خطای قابل توجه روش ها و تجهیزات مختلف نمونه برداری، مهندسان و محققان را به سوی مدل های شبیه سازی و استفاده از روش های نوین آماری سوق داده است. در این مطالعه، برای تخمین توزیع غلظت رسوبات معلق از سه روش شبکههای عصبی مصنوعی (ANN)، سیستم استنتاج فازی- عصبی (ANFIS) و رگرسیون خطی چندمتغیره استفاده شد. برای بررسی دقت و صحت هر روش، معتبرترین دادههای آزمایشگاهی موجود مورد استفاده قرار گرفت. پس از ارزیابی عملکرد سه روش یادشده، مشخص شد که روش شبکه عصبی مصنوعی با ضریب همبستگی ۹۹۹/۰ و RMSE برابر با ۰۴۲/۰، نسبت به روشهای دیگر برتری نسبی داشته و به خوبی قادر به برآورد توزیع غلظت رسوبات است. پس از این روش، دقت سیستم استنتاج فازی- عصبی با ضریب همبستگی ۹۹۴/۰ و RMSE برابر با ۰۴۲/۰ در مرتبه دوم قرار گرفت. با استفاده از رهیافت رگرسیون چند متغیره، دو رابطه برای جریان در بسترهای صاف و زبر ارائه شد. نتایج نشان داد که مدل رگرسیون چند متغیره کارایی کمتری نسبت به دو مدل دیگر دارد. با مقایسه این مدل ها با روابط تجربی ارائه شده، مانند معادله راوس و معادله اینشتین و شن، مشخص شد که روش های آماری توزیع غلظت رسوبات معلق را با دقت بیشتری نسبت به معادلات تجربی برآورد می کنند.
Keywords:
توزیع غلظت رسوبات معلق , سیستم استنتاج فازی- عصبی , شبکه های عصبی مصنوعی , معادله راوس , مدل رگرسیون خطی چند متغیره
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 :