مدل سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی LSTM
عنوان مقاله: مدل سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی LSTM
شناسه ملی مقاله: JR_ESTJ-26-2_002
منتشر شده در در سال 1403
شناسه ملی مقاله: JR_ESTJ-26-2_002
منتشر شده در در سال 1403
مشخصات نویسندگان مقاله:
محبوبه شادابی بجند - دانشجوی دکتری گروه مهندسی آب، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران. (مسوول مکاتبات)
ابراهیم امیری - استاد گروه مهندسی آب، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران.
خلاصه مقاله:
محبوبه شادابی بجند - دانشجوی دکتری گروه مهندسی آب، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران. (مسوول مکاتبات)
ابراهیم امیری - استاد گروه مهندسی آب، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران.
زمینه و هدف: برآورد مناسب از میزان رسوب جاری شده در رودخانهها به عنوان مبنای داده ای برای بسیاری از طرحها و فرآیندهای مهندسی رودخانه دارای اهمیت است. رودخانه قلعه رودخان یکی از حوزه های آبی بسیار مهم در غرب استان گیلان می باشد. رودخانه قلعه رودخان از دو شاخه (حیدرآلات) و (نظر آلات) تشکیل شده است. از همین رو، هدف از انجام این پژوهش، مدل-سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت (LSTM) است.
روش بررسی: در این تحقیق از آمار دبی رسوب ثبت شده مربوط به دوره آماری سال ۱۳۸۱ تا ۱۳۹۵ استفاده شده است. این آمار شامل دبی لحظه ای روزانه به مترمکعب بر ثانیه و رسوب روزانه لحظه ای به تن در روز است که همزمان اندازه گیری شده اند. متغیرهای تحت بررسی در مدلسازی پیش بینی مستلزم ایجاد یک شبکه عصبی مصنوعی، وجود یک سری داده، به منظور مدلسازی در این شبکه می باشد.
یافته ها: دقت پیش بینی های انجام شده با سه معیار خطا بررسی شد. سه معیار مورد بررسی به ترتیب AFE، FFE و n-AFE هستند.
بحث و نتیجهگیری: نتایج به دست آمده نشان داد که از میان معیارهای مورد بررسی معیار FFE همبستگی میان خروجی مدل و داده های اندازه گیری شده رسوب مناسب می باشد. در نتیجه مدل LSTM دارای دقت مناسب برای پیش بینی مقدار رسوب دو رودخانه قلعه رودخان می باشد.
کلمات کلیدی: استان گیلان، رسوب لحظه ای، رودخانه قلعه رودخان، شبکههای عصبی بازگشتی، LSTM.
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/2006065/