مدلسازی بارش رواناب با استفاده از شبکه عصبی مصنوعی و مدل HEC-HMS و ارزیابی آنها (مطالعه موردی: حوضه آبخیز آدینان سقز)
Publish place: 6th Iranian National Water Resources Management Conference
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 680
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:
WRM06_140
تاریخ نمایه سازی: 6 بهمن 1395
Abstract:
یکی از چالشها و اهداف عمده در هیدرولوژی مهندسی تعیین یک مدل بارش- رواناب مناسب جهت مشخص کردن پاسخ حوضه نسبت به یک بارش مشخص با استفاده از پارامترهای موجود در مدل است. پاسخ حوضه تابعی از مشخصات حوضه آبریز و مقادیر پارامترهای مدل است. در پژوهش حاضر برای مدلسازی فرایند بارش رواناب در سطح حوضه آدینان با بهره گیری از داده های مشاهده ای از مدل HEC-HMS و روش شبکه های هوشمند (شبکه عصبی مصنوعی) ANN استفاده شد و مورد بررسی قرار گرفت. مقادیر رواناب برآورد شده از مدل HEC-HMS و مدل های هوشمند عصبی مقایسه گردید. در این تحقیق عملکرد مدل ها از معیارهای عملکرد شامل ضریب همبستگی (R2) میانگین مربعات خطا (RMSE) و Nash-sutcliffe استفاده شد. با بررسی عملکرد مدل HEC-HMS ضریب همبستگی در مرحله واسنجی و صحت سنجی 0/73 و 0/72 به دست آمد همچنین معیار NASH و RMSE به ترتیب در دو مرحله واسنجی و صحت سنجی 0/736 و 15/81 و 0/713 و 10/89 به دست آمد. شبکه ی عصبی مصنوعی با الگوریتم پس از انتشار خطا در بهترین ساختار خود میانگین مربعات خطای مدل در مراحل مختلف آزمایش، صحت سنجی و آزمون به ترتیب 0/41 و 0/79 و 0/53 و ضریب همبستگی 0/98 و 0/98 و 0/96 می باشد که نشان از همبستگی بالا و معنی داری بین مقادیر مشاهده ای و مقادیر پیش بینی دارد. در نتیجه میان دو روش مقایسه عملکرد شبکه و مدل به کار رفته شده نشان می دهد که دقت ANN بیشتر از HEC-HMS است.
Keywords:
Authors
سیروان نیلی
دانشجوی کارشناسی ارشد مهندسی عمران -آب دانشگاه کردستان
سید امیر حسینی
دانشجوی کارشناسی ارشد مهندسی عمران -آب دانشگاه کردستان
جمیل بهرامی
استادیار دانشکده فنی و مهندسی دانشگاه کردستان
کامران چپی
استادیار دانشکده کشاورزی دانشگاه کردستان
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 :