ارزیابی روش های برآورد بار رسوب کل در رودخانه های حوضه دریاچه ارومیه و مقایسه آن با نتایج حاصله از شبکه عصبی مصنوعی
Publish Year: 1393
Type: Conference paper
Language: Persian
View: 1,094
This Paper With 10 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:
CCASD01_169
Index date: 1 September 2014
ارزیابی روش های برآورد بار رسوب کل در رودخانه های حوضه دریاچه ارومیه و مقایسه آن با نتایج حاصله از شبکه عصبی مصنوعی abstract
در این تحقیق، با توجه به روش های مختلفی که تاکنون برای برآورد میزان بار کل رسوبات رودخانه ها پیشنهاد شده است از روش های اینشتین، ایکرز و وایت، یانگ، ساماگا، بگنولد و انگلوند و هانسن برای برآورد بارکل رسوبی رودخانه سیمینه رود که یکی از رودخانه های مهم آبریز دریاچه ارومیه می باشد، استفاده شده است. با توجه به اینکه تمامی روش های گفته شده فقط در محدوده برآورد بار فرسایش یافته از مواد بستر رودخانه است، لذا آمار رسوبی رودخانه، در زمانی هائی مورد بررسی قرار گرفته است که در آن مواقع بارندگی در کل منطقه وجود نداشته است. اطلاعات حاصله از برداشت های صحرایی با نتایج برآورد رسوبات ک ل با استفاده از فرمول های فوق الذکر با هم مقایسه گردیده است. نتایج نشان می دهد که تنها روش بگنولد با دقت تقریبی 49 درصد، در رودخانه سیمینه رود جواب نزدیکتری به واقعیت را نسبت به سایر روابط نشان می دهد. در ادامه، با آموزش از شبکه عصبی مصنوعی جهت برآورد بارکل رسوبی با استفاده از داده های صحرائی استفاده شده است. نتایج حاصل از این قسمت نشان می دهد که از شبکه عصبی نیز می توان به عنوان یک ابزار قدرتمند در تعیین بار رسوبی در رودخانه ها استفاده نمود.
ارزیابی روش های برآورد بار رسوب کل در رودخانه های حوضه دریاچه ارومیه و مقایسه آن با نتایج حاصله از شبکه عصبی مصنوعی Keywords:
ارزیابی روش های برآورد بار رسوب کل در رودخانه های حوضه دریاچه ارومیه و مقایسه آن با نتایج حاصله از شبکه عصبی مصنوعی authors
سیاوش فتح الهی
دانشجوی کارشناسی ارشد رشته مهندسی آب دانشگاه لرستان
حسن ترابی پوده
عضو هیئت علمی گروه مهندسی آب دانشگاه لرستان
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 :