شبیه سازی دبی جریان با استفاده از مدلهای فازی عصبی ومقایسه آن با مدلهایسری زمانی (طالعه موردی : دشت جم)
Publish place: 15th Civil Students Conference Nationwide
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 536
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_594
تاریخ نمایه سازی: 12 دی 1393
Abstract:
پیشبینی در هیدرولوژی به معنی تخمین شرایط هیدرولوژیکی و هواشناسی در یک بازه زمانی خاص میباشد . در همین راستا، فهم رابطه بین بارش و رواناب یکی از ضروریترین مسائل برای مدیریت منابع آب میباشد. در این پژوهش به شبیه سازی دبی جریان با استفاده از 2 نرمافزار سری زمانی و شبکههای فازی عصبی تطبیقی پرداختهایم. ابتدا دادههای آماری هیدرولوژیکی را که شامل - دبی، بارش، دما و تبخیر را از ایستگاه های سینوپتیک و هیدرومتری موجود در منطقه مطالعاتی بدست میآوریم. طول دورههای % آماری باید کافی باشد. سپس تمام آمارهای موجود را همزمان میکنیم و در نهایت از 08 % دادهها جهت آموزش شبکه و 28دادهها جهت تست مدل استفاده میکنیم. در شبکههای فازی عصبی تطبیقی جهت صحت سنجی مدل، انواع الگوهای مختلف را - جهت شبیهسازی دبی جریان و تا حداکثر 2 ماه تاخیر را برسی میکنیم و و در نهایت الگوی برتر را انتخاب میکنیم. معیار ارزیابی جهت انتخاب مدل برتر بین 2 مدل سری زمانی و شبکه های فازی عصبی تطبیقی، ضریب همبستگی R2 و مجذور میانگین مربعات خطا RMSE میباشد. مدلی که دارای ضریب همبستگی بیشتر و مجذور میانگین مربعات خطای کمتری داشته باشد به عنوان مدل برتر انتخاب میشود. نتایج این تحقیق نشان میدهد که شبکه های فازی عصبی تطبیقی توانایی بالاتری را در شبیه سازی دبی جریان را در مقیاس ماهانه در دشت جم دارد.
Authors
مهرداد فریدونی
استادیار گروه مهندسی عمران ، دانشگاه آزاد اسلامی واحد لارستان ، لارستان ، ایران
محمد ستوده پور
دانشجوی کارشناسی ارشد سازه های هیدرولیکی ، گروه مهندسی عمران ، دانشگاه آزاد اسلامی واحد لارستان ، لاستان ، 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 :