مقایسه مدلسازی بار رسوب کل رودخانه ها با استفاده از برنامه نویسی ژنتیک و شبکه عصبی مصنوعی

مریم محمدزاده; مهناز اسکندری; امین فلامکی; عباس معظم زاده

مقایسه مدلسازی بار رسوب کل رودخانه ها با استفاده از برنامه نویسی ژنتیک و شبکه عصبی مصنوعی

Publish place: دومین کنفرانس بین المللی اکولوژی سیمای سرزمین

Publish Year: 1395

Type: Conference paper

Language: Persian

This Paper With 10 Page And PDF Format Ready To Download

DOWNLOAD Paper

Certificate
I'm the author of the paper

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

هوش مصنوعی > شبکه عصبی

Export:

Link to this Paper:

https://civilica.com/doc/547707

Document National Code:

IALE02_146

Index date: 24 January 2017

مقایسه مدلسازی بار رسوب کل رودخانه ها با استفاده از برنامه نویسی ژنتیک و شبکه عصبی مصنوعی abstract

برآورد بار رسوب کل رودخانه ها یکی از مسائل مهم و کاربردی در مدیریت و برنامه ریزی منابع آب است. لیکن ماهیت چندبعدی و وابستگی غیرخطی متغیرها با یکدیگر مسئله ای چالش برانگیز در مدلسازی انتقال بار رسوب رودخانه است. بار رسوب می تواند به کمک روابط مختلف محاسبه شود. هدف از این پژوهش مقایسه دو روش شبکه های عصبی مصنوعی ( ANN )و برنامه نویسیس ژنتیک در تخمین بار رسوب کل بود. بدین منظور از دو نوع شبکه عصبی پرسپترون چند لایه ( MLP )و توابع پایه شعاعی ( RBF) در روش شبکه های عصبی مصنوعی استفاده شد. به همین منظور از 200 نمونه، استفاده شد. 75 درصد از داده هابرای آموزش و 25 درصد برای آزمون شبکه ها در نظر گرفته شدند. متغیرهای سرعت جریان، عرض کانال، عمق جریان، شیب خط انرژی و قطر میانه اندازه ذرات به عنوان ورودی مدل و غلظت رسوب کل به عنوان خروجی مدل در نظر گرفته شدند. نتایج نشانداد که شبکه های عصبی بهویژه مدل MLP 2 با ضریب همبستگی 0/96و RMSE0/87 ، در مقایسه با مدل طراحی شده الگوریتم ژنتیک با ضریب تبیین 0/90 وRMSE ، برابر با 0/42غلظت رسوب کل را با دقت مطلوب تری برآورد می نماید.

مقایسه مدلسازی بار رسوب کل رودخانه ها با استفاده از برنامه نویسی ژنتیک و شبکه عصبی مصنوعی Keywords:

انتقال رسوب , برنامه نویسی ژنتیک , غلظت رسوب کل , مدل هوشمند , شبکههای عصبی مصنوعی

مقایسه مدلسازی بار رسوب کل رودخانه ها با استفاده از برنامه نویسی ژنتیک و شبکه عصبی مصنوعی authors

مریم محمدزاده

دکتری خاکی فیزیک و حفاظت منابع طبیعی و آبخیزداری استان خوزستان؛ اهواز؛ ایران

مهناز اسکندری

استادیار پژوهش موسسه تحقیقات خاک و آب؛ سازمان تحقیقات، آموزش و ترویج کشاورزی؛ کرج؛ ایران

امین فلامکی

استادیار گروه مهندسی دانشگاه پیام نور، شیراز، ایران

عباس معظم زاده

کارشناس ارشد زمین شناسی منابع طبیعی و آبخیزداری استان خوزستان؛ اهواز؛ 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 :

_ زنگانه، م.»، مساعدی، ا. و کوهستانی، ن. 1388. مقایسه ...

سدیدپور، س.س. همایونپور، م.م. و فسنقری، م. 1389. بهبود سرعت ...

فلامکی، ا، اسکندری، م. 1391. تخمین ضریب توزیع خاک-آب فلزات ...

فلامکی، ا، اسکندری، م.، بغلانی، ع.ا. و احمدی، س. 1392. ...

مساعدی، ا.، هاشمی‌نجفی، س.ف، حیدرناد م.، نبی‌زاده، م.و مشکاتی، م.. ...

معیری، م.م.، نیک‌پور، م.ر.، حسین‌زاده دلیر، ع. و فرسادی‌زاده، د. ...

برآورد سریع هدایت آبی اشباع خاک با استفاده از شبکه عصبی مصنوعی [مقاله کنفرانسی]

یونسی، ح..، ترابی وده، ح. صمدی رحیم. ع. و محبی، ... [مقاله کنفرانسی]

ASCE. 2000a. Artificial neural networks in hydrology, I: preliminary concepts. ...

Aytek A. and Kisi, O. 2008. A genetic programming approach ...

Dogan, E., Yuksel, I. and Kisi, O. 2007. Estimation of ...

Kisi O. and Shiri J. 2012. River suspended sediment estimation ...

Molinas, A. and Wu, B. 2003. SedBase (sediment transport database). ...

Singh K., Deo, M.C. and Sanil Kumar, _ 2007. Neural ...

Yang CT, Marsooli R and Aalami MT. 2009. Evaluation of ...

Zarei, G., Homaee, M., Liaghat, A., 2009. Modeling transient evaporation ...

Zhou, Y., Lu, X.X, Huang, Y. and Zhu, Y.M. 2007. ...

نمایش کامل مراجع