شبیه سازی مشخصات حوضه های آبریز با استفاده از شبکه های عصبی مصنوعی به منظور پیش بینی حداکثر دبی سیلآب
Publish place: 06th Iranian Hydraulic Conference
Publish Year: 1386
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 803
This Paper With 9 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:
IHC06_132
تاریخ نمایه سازی: 15 اردیبهشت 1388
Abstract:
با توجه به وسعت میزان خساراتی که سیلآبها به مناطق شهری و غیرشهری وارد می کنند، پیش بینی سیلخیزی مناطق مختلف جهت اتخاذ روشهای مدیریت و کنترل آنها اجتنآب ناپذیر است. در مسائل هیدرولوژی از جمله پیش بینی سیلآب با توجه به تجربی بودن اکثر روآبط موجود و پارامترهای متعدد دخیل، شبکه های عصبی مصنوعی بعنوان آبزاری توانا قآبل استفاده است. شبکه های عصبی مصنوعی با پردازش برروی داده های تجربی، قانون نهفته در ورای داده ها را به شبکه منتقل و قادر به تقریب توآبع پیچیده که روآبطی غیرخطی بین ورودیها و خروجیهای آنها برقرار است می باشد. برای آموزش شبکه، شهر تهران به تعداد113 حوضه هیدرولوژیک تقسیم و داده های ورودی که شامل مشخصات فیزیوگرافی، هیدرولوژی و هواشناسی حوضه ها می باشند. در محیط GIS و با استفاده از اطلاعات موجود استخراج شد. سپس به آزمایش شبکه های مختلف پرداخته و شبکه پیشرونده با الگوریتم پس از انتشار خطا با دولایه پنهان و 5 نرون در هر لایه بعنوان بهترین شبکه برای تخمین دبی حداکثر سیلآب انتخآب گردید. این شبکه دارای میانگین مربعات خطای 13/0 ، میانگین خطای نسبی 897/0 درصد و ضریب همبستگی 9998/0 برای داده های آزمایش می باشد. در انتها با آنالیز حساسیت به ارزیآبی تأثیر اطلاعات ورودی پرداخته شده است. نتایج حاصل، کارایی این روش را در شبیه سازی خصوصیات حوضه های آبریز و پیش بینی سیلآب به اثبات رسانده است.
Keywords:
Authors
محمدرضا روغنی
دانشجوی کارشناسی ارشد مهندسی آب دانشگاه صنعتی خواجه نصیرالدین طوسی د
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 :