تخمین مقادیر بار رسوب معلق رودخانه با استفاده از روش های هوش مصنوعی (مطالعه موردی رودخانه میمه)
Publish Year: 1402
Type: Journal paper
Language: Persian
View: 186
This Paper With 17 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:
JR_WATER-13-4_018
Index date: 3 July 2023
تخمین مقادیر بار رسوب معلق رودخانه با استفاده از روش های هوش مصنوعی (مطالعه موردی رودخانه میمه) abstract
استفاده از روش های مناسب برای تخمین بار رسوب از دیر باز مورد توجه متخصصین مسائل رودخانهای قرار گرفته است. در این تحقیق با استفاده از دو روش هوش مصنوعی شامل برنامهریزی ژنتیک (GP) مبتنی بر گراف و روش توابع پایه شعاعی (RBF) و استفاده از آمار و اطلاعات ۱۲ ساله چهار ایستگاه هیدرومتری گوراب، سرکمر، جاده دهلران و بیات بر روی رودخانه میمه در استان ایلام، بار رسوب معلق رودخانه تخمین زده شد. در این تحقیق، پارامترهای شماره ماه و دبی رودخانه، به عنوان پارامتر ورودی و بار رسوب رودخانه، به عنوان پارامتر خروجی، بکار گرفته شد. در معادلات به دست آمده از روش برنامهریزی ژنتیک (GP)، بیشترین همبستگی بهدست آمده مربوط به ایستگاه هیدرومتری گوراب با ۱۸/۹۹ درصد و کمترین همبستگی بهدست آمده مربوط به دادههای تجمیع شده چهار ایستگاه هیدرومتری با ۱۷/۹۲ درصد میباشد. در روش توابع پایه شعاعی (RBF)، حداکثر همبستگی دادههای آموزشی و آزمایشی مربوط به ایستگاه بیات به ترتیب با ۱۰۰ و ۲۰/۹۴ درصد حاصل شد. نتایج نشان دهنده دقت بالای تخمین بار رسوب در ایستگاههای هیدرومتری مورد مطالعه میباشد. نتایج نشان داد روش توابع پایه شعاعی (RBF) در تخمین بار رسوب معلق رودخانه میمه، عملکرد بهتری نسبت به روش برنامهریزی ژنتیک (GP) داشته است.
تخمین مقادیر بار رسوب معلق رودخانه با استفاده از روش های هوش مصنوعی (مطالعه موردی رودخانه میمه) Keywords:
تخمین مقادیر بار رسوب معلق رودخانه با استفاده از روش های هوش مصنوعی (مطالعه موردی رودخانه میمه) authors
مجتبی کرمی
استادیار دانشکده فنی و مهندسی، دانشگاه ایلام
مهدی کرمی
کارشناس ارشد آبیاری و زهکشی شرکت آب منطقه ای ایلام
ابراهیم درویشی
گروه آب و خاک، دانشگاه ایلام
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 :