استفاده از شبکه عصبی مصنوعی در مدل سازی فرآیند بارش راوناب صفارود

Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 534

This Paper With 11 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:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

NCUIMWR05_035

تاریخ نمایه سازی: 6 بهمن 1395

Abstract:

فرآیند بارش - رواناب یک پدیده به طور کامل پیچیده و غیرخطی در آب شناختى می باشد. مدل های مفهومی به طور وسیعی برایمدل سازی بارش - رواناب به کار برده می شوند. با این وجود، این مدل ها نیازمند تعداد زیادی اطلاعات جزئی بوده و کاربرد آ ن ها صرفامحدود به مقیاس منطقه مورد مطالعه می باشد. در مواردی که با کمبود اطلاعات جزئی مواجه هستیم، مدل های جعبه سیاه مانندشبکه های عصبی مصنوعی می توانند برای مدل سازی روابط غیرخطی و پیچیده به کار روند. به منظور شبیه سازی آبنمود بارش- رواناب در حوضه آبخیز سد صفا رود رابر از مدل شبکه عصبی پرسپترون چند لایه (MLP) استفاده شد. ابتدا داده های بارندگی با توجه بهالگوی زمانی بارندگی به شش گروه تقسیم گردیدند. برای هر گروه توزیع بارندگی در چارک های زمانی مختلف، دبی پایه آبنمود، عمقکل بارندگی، عمق بارندگی تا وقوع زمان تمرکز حوضه، تداوم بارندگی و شاخص بارش پیشین به عنوان پارامترهای ورودی مدل شبکهعصبی لحاظ گردید. اطلاعات خروجی مدل شبکه عصبی به صورت دبی اوج آبنمود، زمان وقوع دبی اوج، زمان پایه آبنمود، زمانرسیدن به دبی برابر با 50 و 75 درصد دبی اوج و عرض های آبنمود متناظر با این دبی ها در نظر گرفته شدند. علاوه بر این، برایاطلاعات موجود درگروه های مختلف و با استفاده از توابع محرک مختلف در لایه های پنهان و خروجی شبیه سازی انجام گردید. نتایجنشان دهنده همبستگی قوی بین خروجی های مدل با داده های اندازه گیری شده می باشد. ضرایب همبستگی 0/551 از (RMSE=1/736) برای گروه اول تا 0/694 (RMSE=1/231) برای گروه ششم از اطلاعات حاصل گردید. این همبستگی های قوی نشان می دهدکه در شرایط نبود اطلاعات جزئی، مدل شبکه عصبی مصنوعی می تواند برای شبیه سازی پارامترهای آبشناختى مورد استفاده قرار گیرد.

Keywords:

آبنمود بارش رواناب , الگوی - زمانی بارش , حوضه آبخیز سد صفا رود رابر , مدل شبکه عصبی مصنوعی

Authors

محمد فرح بخش کریم آبادی

دانشجوی کارشناسی ارشد،گروه مهندسی عمران سازه های هیدرولیکی، واحد سیرجان، دانشگاه آزاد اسلامی، سیرجان، ایران

محمد ذونعمت کرمانی

دانشیار، بخش مهندسی آب، دانشگاه شهید باهنر کرمان، کرمان، 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 :
  • ایلدرومی، ع.ر، زارع‌ابیانه، ح. و بیات ورکشی، م. 1392. برآورد ...
  • راکعی، ب.، خامه‌چیان، .، عبدالملکی، پ. و گیاهچی، پ. 1386. ...
  • زارع ابیانه، ح. و بیات ورکشی، م. 1390. ارزیابی مدل‌های ...
  • شکاری، .. 1390. کاربرد شبکه عصبی مصنوعی در مدل‌سازی رسوبات ...
  • نایبی، م. 1384. پیش‌بینی جریان ی کوتاه مدت با استفاده ...
  • نصری، م.، مدرس، ر. و دستورانی، م.ت. 1389. اعتبارسنجی مدل ...
  • Barrati, R., Cannas, B., Fani, A., Pintus, M., Sechi, G. ...
  • Caniani, D., Pascale, S., Sdao, F. and Sole, A., (2008). ...
  • Firat, M., Gungor, M.(2007). River flow estimation using feed forward ...
  • Jahangir, A, Raeni, M., Ahmadi, M. Z., Akbarpoor, A. (2005). ...
  • Lorria, M., Sechi, G.M. (1995). Neural networks for modeling rainfall ...
  • Melchiorre, C., Matteucci, M., Azzoni, A. and Zanchi, A., (2008). ...
  • Modarres, R. (2009). Multi-criteria validation of artificial neural network rainfall- ...
  • Simonovic, S. P., Ahmad, S. (2005). An artificial neural network ...
  • Suhaimi, S., Bustami, R. A. (2009), Rainfall runoff modeling using ...
  • Young, C.C., Liu, W.C. 2014. Prediction and modelling of rainfall-runof ...
  • نمایش کامل مراجع