استفاده از شبکه عصبی جهت مدل نمودن سری زمانی غیرخطی بار معلق رودخانه ها
Publish place: 06th Iranian Hydraulic Conference
Publish Year: 1386
Type: Conference paper
Language: Persian
View: 1,758
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
IHC06_059
Index date: 5 May 2009
استفاده از شبکه عصبی جهت مدل نمودن سری زمانی غیرخطی بار معلق رودخانه ها abstract
پیش بینی و تخمین صحیح بار معلق عبوری ازرودخانه ها از اهمیت والایی برخوردار است اهمیت این موضوع بیشتر بخاطر تاثیراتی است که مساله رسوب بر روی کارهای عملی مهندسی رودخانه، مدیریت رودخانه، طراحی سازه های آبی و ورودی نیروگاههای آبی دارد. پدیده انتقال رسوب یک مساله پیچیده هیدرودینامیکی است که حتی ا گر مدلی ریاضی نیز تبیین شود. دسترسی به داده های لازم د راکثر موارد به آسانی امکان پذیر نخواهد بود. در این مقاله با توجه به تواناییهای شبکه های عصبی مصنوعی در شناسایی ارتباط بین متغیرهای ورودی و خروجی یک مسأله بدون در نظر گرفتن فیزیک آن مسأله، از این شبکه ها برای مدل نمودن سری زمانی غیرخطی بار معلق رودخانه ها استفاده شده است. در ادامه به مقایسه مدل شبکه عصبی مصنوعی و روش مرسوم منحنی سنجه رسوب (Sediment Rating Curve) پرداخته شده است و نشان داده شده که مدل شبکه عصبی فقط با استفاده از داده های سری زمانی دبی جریان رودخانه نیز می تواند در شکاف (Gap) بازه های زمانی که فاقد آمار بار معلق هستیم، تخمینی صحیح از میزان بار معلق رودخانه ارائه دهد.
استفاده از شبکه عصبی جهت مدل نمودن سری زمانی غیرخطی بار معلق رودخانه ها Keywords:
استفاده از شبکه عصبی جهت مدل نمودن سری زمانی غیرخطی بار معلق رودخانه ها authors
طاهر رجایی
دانشجوی دکترای عمران آب - محیط زیست، دانشگاه صنعتی خواجه نصیرالدین طوس
سیداحمد میرباقری
دانشیار دانشکده عمران دانشگاه صنعتی خواجه نصیرالدین طوسی
سیامک بوداقپور
استادیار دانشکده عمران، دانشگاه صنعتی خواجه نصیرالدین طوسی
محمد ذونعمت کرمانی
دانشجوی دکترای عمران آب - هیدرولیک ، دانشگاه صنعتی خواجه نصیرالدین طو
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 :