ارزیابی شبکه های پرسپترون چند لایه(MLP) و تابع پایه شعاعی(RBF) در تعیین ضریب سریز جانبی تحت شرایط جریان فوق بحرانی
Publish place: 7th Iranian Hydraulic Conference
Publish Year: 1387
Type: Conference paper
Language: Persian
View: 6,648
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
IHC07_154
Index date: 31 July 2008
ارزیابی شبکه های پرسپترون چند لایه(MLP) و تابع پایه شعاعی(RBF) در تعیین ضریب سریز جانبی تحت شرایط جریان فوق بحرانی abstract
امروزه شبکه های عصبی مصنوعی کاربری مطلوبی در مطالعات آبی پیدا نموده است. با استفاده از این روشها می توانبرآوردهایی مناسب در مطالعات داشته باشیم. در این تحقیق اقدام به مقایسه دقت برآوردهای شبکه های عصبی مصنوعی در قبال روشهای تجربی ارائه شده برای ضریب تخلیه سررسزهای جانبی(Cd) در شرایط جریان های فوق بحرانی شده است.سرریز جانبی سازه ای مهم در تاسیسات آبی است که معمولاَ به عنوام حفاظی در بالا دست سیفونهای معکوس و زیر گزر جاده ها استفاده می گردد.جهت بدست آوردن برآوردهای مناسب، از شبکه عصبی(MLP) با قانون یادگیری Back ProPagation و شبکه(RBF) و پارامترهای مؤثر، عدد فرود در بالا دیت سرریز(Fr1) ، ارتفاع سرریز به عمق جریان (S/Y1)، طول سرریز به عمق جریان(L/Y1)، طول کانال به عرض کانال(L/B) به عنوان ورودی شبکه عصبی استفاده گردید. به منظور ارزیابی دقت برآوردها از پارامترهای آماری R2و RMSE استفاده شد، بررسی نتایج حاکی از دقت بالای برآوردهای شبکه های عصبی مصنوعی در قبال فرمول های تجربی بود. کارایی شبکه MLP نسبت به شبکه RBF مناسبتر ارزیابی گردید.
ارزیابی شبکه های پرسپترون چند لایه(MLP) و تابع پایه شعاعی(RBF) در تعیین ضریب سریز جانبی تحت شرایط جریان فوق بحرانی Keywords:
ارزیابی شبکه های پرسپترون چند لایه(MLP) و تابع پایه شعاعی(RBF) در تعیین ضریب سریز جانبی تحت شرایط جریان فوق بحرانی authors
مجید حیدری
استادیار و عضو هیئت علمی گروه آب دانشکده کشاورزی دانشگاه بوعلی سینا
حمید زارع ابیانه
استاد یار و عضو هیئت علمی گروه آب دانشکده کشاورزی دانشگاه بوعلی سینا
عادل قاسمی
دانشجوی کارشناسی ارشد آبیاری و زهکشی دانشکده کشاورزی دانشگاه بوعلی سی
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 :