شبیه سازی بارش با استفاده از مدلهای فازی عصبی ومقایسه آن با مدلهای سریزمانی (مطالعه موردی : دشت جم)
Publish place: 15th Civil Students Conference Nationwide
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 510
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
CESC15_593
تاریخ نمایه سازی: 12 دی 1393
Abstract:
جهت مدیریت مناسب در یک حوضه هیدرولیکی نیاز به شناخت کامل آن میباشد . میتوان گفت مهمترین بخش از این شناخت مربوط به ارائه مدلی جهت معرفی بارش آن حوضه می باشد با توجه به عدم دسترسی به اطلاعات هیدرولیکی حوضه های مورد مطالعه اغلب این مدلسازیها بصورت هیدرولوژیکی یا گردهای و با استفاده از آمار سالهای قبل صورت می گیرد . اغلب سعی بر این بوده است که از روش های ریاضی برای مدلسازی این پدیده استفاده شود که در مرحله واسنجی و آموزش یک مدل از تعدادی پارامترهای حوضه استفاده میشود که خود این پارامترها دقیق و بطور کامل قابل اطمینان نمیباشند. ریاضیات فازی با ارئهتابع عضویت بجای عدد مطلق برای پارامتر مذکور دقت عمل را در ارزش دهی دادهها بالا می برد. در این مقاله مدل بارش حوضه جم واقع در استان بوشهر با استفاده از روشهای سری زمانی و سیستم استنتاج عصبی فازی تطبیقی ارائه میشود و در نهایت مناسب ترین مدلهای سری زمانی و نروفازی از طریق معیارهای ارزیابی مورد نظر ما مشخص میشوند. معیار ارزیابی جهت انتخاب مدل برتر بین 2 مدل سری زمانی و شبکههای فازی عصبی تطبیقی، ضریب همبستگی r2 و مجذور میانگین مربعات خطا RMSE میباشد.. نتایج این تحقیق نشان میدهد که شبکههای فازی عصبی تطبیقی توانایی - بالاتری را در شبیهسازی بارش در مقیاس ماهانه در دشت جم دارد.
Authors
محمد ستوده پور
دانشجوی کارشناسی ارشد سازه های هیدرولیکی ، گروه مهندسی عمران ، دانشگاه آزاد اسلامی واحد لارستان ، لاستان ، ایران
مهرداد فریدونی
استادیار گروه مهندسی عمران ، دانشگاه آزاد اسلامی واحد لارستان ، لارستان ، ایران
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 :