تعیین بهینه ترین ساختار شبکه عصبی مصنوعی براساس ژئومورفولوژیک حوضه در مدلسازی بارش رواناب (مطالعه موردی: حوضه صوفی چای)
Publish Year: 1391
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 505
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
NCUIMWR03_133
تاریخ نمایه سازی: 15 اسفند 1393
Abstract:
پیش بینی و برآورد دقیق رواناب مستقیم به عنوان مهترین چالش در فرآیند مدیریت و مهندسی منابع آب، در عمل کار بسیار پیچیده ای است و تاکنون روشهای تجربی و فیزیکی متعددی برای برآورد آنها ارائه شده است. در دهه اخیر استفاده از مدلهای هوشمند شبکه های عصبی مصنوعی به دلیل قابلیت آنها در شبیه سازی و تخمین توابع غیر خطی، در مدلسازی فرآیندهای پیچیده هیدرولوژی، ازجمله فرآیند بارش رواناب افزایش یافته است. - در این پژوهش، با توجه به اینکه ارتباطات شبکه های عصبی و شبکه آبراهه ها هر دو ساختار شبکه ای دارند و یک سیگنال را از ورودی به خروجی تطبیق میدهند یک مدل شبکه عصبی مصنوعی مبتنی بر خصوصیات ژئومورفولوژیکی (GANN) حوضه صوفی چای واقع در شمال غرب ایران ایجاد گردید. این مدل به صورت یک شبکه پرسپترون سه لایه با تعداد لایه های میانی برابر با تعداد مسیرهای ممکن جریان ، طراحی شد که در آن، وزن بین لایه های میانی و لایه خروجی از طریق مقادیر احتمال مسیرهای ممکنه جریان در شبکه هیدرولوژی حوضه، تعیین گردید. نتایج نشان داد ارتباط تنگاتنگی بین عوامل ژئومورفولوژیکی و هیدرولوژیکی وجود دارد و استفاده از خصوصیات ژئومورفولوژیکی در ساختار شبکه های عصبی مصنوعی باعث افزایش عملکرد این مدل در تعیین رواناب مستقیم به عنوان پاسخ هیدرولوژیکی حوضه نسبت به بارش مازاد میگردد
Keywords:
Authors
پریسا عباسعلی پوربشاش
دانشجوی کارشناسی ارشد مهندسی منابع آب، دانشگاه تبریز، ایران
یعقوب دین پژوه
دانشیار گروه منابع آب، دانشکده کشاورزی، دانشگاه تبریز، ایران
محمدعلی قربانی
دانشیار گروه منابع آب، دانشکده کشاورزی، دانشگاه تبریز، 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 :