تعیین بهرهوری آب محصول گیاه گندم در شبکه آبیاری با استفاده از روش شبکه عصبی مصنوعی RBF و مدل هیدرودینامیک در شرایط مختلف کمبود آب
Publish place: 17th Iranian Hydraulics Conference
Publish Year: 1397
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 473
This Paper With 8 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:
IHC17_232
تاریخ نمایه سازی: 1 دی 1397
Abstract:
شاخص بهره وری از شاخصهای اساسی در تخمین عملکرد شبکه ها خصوصا در شرایط کمبود آب میباشد. برای این منظور میبایست با مدلهای هیدرودینامیک تعیین و پس از آن مدلهای زراعی جهت تعیین میزان محصول برداشت شده اجرا گردند. شبکه های عصبی مصنوعی با استفاده از تکنیک هوش مصنوعی اقدام به آموزش یک سیستم برای خود و از آن برای مدل سازی داده های واقعی استفاده میکنند. در مقایسه با شبکه های عصبی مرسوم مانند MLP، روش RBF بدلیل استفاده از تکنیک شعاعی و اجرای تابع فعال ساز در فاز اول مدلسازی نتایج را سریعتر و با دقت بیشتر ارایه میدهند.در این تحقیق، 675 سناریو تحت شرایط مختلف آبیاری با استفاده از مدل Aquacrop به منظور آموزش و آزمون شبکه عصبی RBF مورد استفاده قرار گرفتهاند. شبکه عصبی توسعه یافته برای تخمین میزان محصول برداشت شده و مقدار ماده خشک محصول در شرایط مختلف آب در دسترس %100)، %80 و (%60، برای یک بازه از شبکه عقیلی تنظیم شده است .با استفاده از این روش میزان بهرهوری در سیزده آبگیر کانال محاسبه شد. بهره وری محاسبه شده به روش RBF در مقایسه با روش MLP ، برای سه سناریو آب دسترس بهطور میانگین به ترتیب و به میزان 4,77، 5,16 و 5,75 درصد در سناریوهای مختلف بهبود یافته است.
Keywords:
Authors
الهام قربانی
دانشجوی کارشناسی ارشد
محمدجواد منعم
دانشیاردانشگاه تربیت مدرس، گروه سازه های آبی
مصطفی اصلانی
دانشجوی دکتری دانشگاه تربیت مدرس، گروه سازه های آبی