پیش بینی جریان ورودی با استفاده از مدل شبکه عصبی مصنوعی و مدل مفهومی mike-NAM ( مطالعه موردی: حوض ا... جوکنک)
Publish place: 1st Conference on Optimum Utilization of Water Resources
Publish Year: 1385
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 2,540
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:
COWR01_189
تاریخ نمایه سازی: 28 بهمن 1384
Abstract:
پیش بینی جریان از پارامترهای مهم در برنامه ریزی منابع آب و کاهش خسارات ناشی از سیلاب می باشد. روشهای مختلفی جهت پیش بینی جریان یا به عبارتی ایجاد مدل بارش رواناب وجود دارد، از فرمولهای تجربی و منطقه ای گرفته تا روشهای سری زمانی و مدلهای مفهومی. در سالهای اخیر توجه زیادی به استفاده ازمدلهای شبکه های عصبی مصنوعی و نیز مدلهای فازی-عصبی شده است. در هر منطقه با توجه به شرایط منطقه و نیز آمار و اطلاعات موجود باید مدل بهینه انتخاب شود . در این مقاله مدل بارش رواناب توسط شبکه های عصبی مصنوعی و مدل مفهومی Mike-NAM در مقیاس ماهانه برای حوزه آبریز الله- جوکنک تهیه می شود . شبکه های عصبی مصنوعی ابزار مناسبی برای ایجاد رابطه بین مقادیر ورودی و خروجی می باشد، خصوصاً در شرایطی که با روابط پیچیده و غیر خطی سر کار داریم . پارامترهای ورودی شبکه عصبی شامل دبی و بارش می باشد و خروجی شبکه دبی رود می باشد .مدل مفهومی نم یک مدل یکپارچه بارش رواناب می باشد که مولفه جریان سطحی ، نفوذ و جریان پایه که مولفه های مهم در رواناب حوضه می باشد را مدل می کند . این مدل دارای 9 پارامتر اصلی می باشد که می بایست کالیبره شود که پس از کالیبره شدن می تواند رواناب را به صورت کوتاه مدت و بلند مدت پیش بینی کند. در نهایت به مقایسه دو مدل پرداخته می شود.
Keywords:
پیش بینی جریان , مدل بارش رواناب , مدل شبکه های عصبی مصنوعی , مدل مفهومی Mike-NAM , حوضه الله–جوکنک , ارزیابی مدل , کالیبراسیون
Authors
علی شهبازی
کارشناس ارشد دفتر منابع آب و انرژی، معاونت توسعه سد و نیروگاه، سازمان
محمد محمدیان شوشتری
عضو هیئت علمی گروه مهندسی عمران دانشگاه شهید چمران اهواز
مریم اکبر بروجردی
کارشناس ارشد دفتر منابع آب و انرژی، معاونت توسعه سد و نیروگاه، سازمان
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 :