پیش بینی رسوب در مخزن به کمک تحلیل های غیر خطی فازی و شبکه عصبی مطالعه موردی سد وشمگیر
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 399
This Paper With 12 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:
RCEAUD03_154
تاریخ نمایه سازی: 8 اسفند 1395
Abstract:
تقاضای چشم گیر فزاینده برای مصرف آب ناشی از رشد جمعیت از یک سو، و منابع آب محدود از سویی دیگر، کمبود آب را به مسئله ای حیاتی در کشورمان تبدیل می نماید. این امر، به نوبه خود، اثری مخرب بر روی رودخانه ها و جریان های ورودی به مخازن سدها دارد. بنابراین پیش بینی رسوب مخازن برای مدیریت کیفیت آب، تولید برق آبی، سیستم های آبیاری و مدیریت بهره برداری از مخازن سدها ضروری است. در سال های اخیر، به استفاده از روش هایی نظیر هوش مصنوعی جهت مدلسازی پدیده هیدرولوژیکی که دارای پیچیدگی و عدم قطعیت بالایی هستند، توجه زیادی معطوف شده است. در این تحقیق کارایی سیستم استنتاج فازی FIS و شبکه عصبی پرسپترون چند لایهMLP برای پیش بینی میزان رسوب مخزن سد وشمگیر واقع در حوضه آبریز گرگان رود بر اساس داده های روزانه ورودی از دبی جریان اندازه گیری شده در ایستگاه قزاقلی اولین ایستگاه هیدرومتری واقع در بالادست سد وشمگیر مورد ارزیابی قرار گرفته است. همچنین بمنظور بررسی عملکرد مدل ها، از ضریب همبستگی R ، میانگین مربعات خطا MSE و ریشه دوم میانگین مربعات خطا RMSE استفاده شده است. نتایج بدست آمده نشان داد که هر دو ماشین یادگیری هوشمند سیستم فازی و شبکه عصبی توانسته اند تنها با داشتن میزان دبی جریان به عنوان پارامتر ورودی با دقت قابل قبولی به پیش بینی میزان رسوب بپردازند. همچنین مقایسه نتایج حاصله نشان دهنده کارایی بهتر شبکه عصبی پرسپترون چند لایه در مقابل سیستم استنتاج می باشد.
Keywords:
Authors
رضا کیاء
دانشجوی کارشناسی ارشد مهندسی عمران سازه های هیدرولیکی دانشگاه آزاد اسلامی واحد تهران جنوب
سیامک بوداقپور
استادیار دانشکده عمران دانشگاه صنعتی خواجه نصیرالدین طوسی
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 :