ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
Publisher of Iranian Journals and Conference Proceedings
Login |Register |Help |عضویت کتابخانه ها
Paper
Title

مقایسه مدل های شبکه عصبی مصنوعی و منحنی سنجه رسوب در شبیه سازی میزان رسوب معلق؛ مطالعه موردی حوزه آبخیز شاهرود

Year: 1396
COI: JR_WATER-7-3_003
Language: PersianView: 130
This Paper With 15 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 15 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

صدیقه محمدی - پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان

Abstract:

این پژوهش با هدف مقایسه کارآیی برخی مدل های شبیه­سازی میزان رسوب معلق شامل منحنی سنجه رسوب و شبکه عصبی مصنوعی و ارائه مدل بهینه بر اساس دبی جریان در حوزه آبخیز شاهرود و بر روی ایستگاه­های هیدرومتری گلینک، باغکلایه، لوشان و رجائی دشت انجام شد. به منظور شبیه­سازی میزان رسوب معلق از مدل منحنی سنجه رسوب یک خطی و مدل­های شبکه عصبی پرسپترون چند لایه و تابع پایه شعاعی بهره گرفته و سپس ارزیابی این مدل­ها با استفاده از ضریب NASH و RMSE انجام شد. نتایج حاصل از این پژوهش حاکی از آن است که در کلیه ایستگاه­های هیدرومتری مورد بررسی، مدل شبکه عصبی مصنوعی در مقایسه با مدل منحنی سنجه رسوب نتایج بهتری ارائه کرد. به طوری که مدل شبکه عصبی مصنوعی پرسپترون چند لایه با تابع تحریک سیگموئید در ایستگاه های گلینک  و رجایی­دشت به ترتیب با RMSE، 033/1 و 825/0 تن در روز و ضریب NASH، 84/0و 839/0 و این مدل با تابع تحریک تانژانت سیگموئید در ایستگاه­های باغکلایه و لوشان به ترتیب با RMSE، 799/0 و 883/0 تن در روز و ضریب NASH، 772/0 و 895/0 کارآیی بهتری در شبیه­سازی میزان رسوب معلق دارد. همچنین مقایسه نتایج حاصل از دو مدل شبکه عصبی مصنوعی نشان داد که شبکه­های MLPدر مقایسه با شبکه­های RBF از دقت بیشتری در شبیه سازی میزان رسوب معلق برخوردارند و تنها مزیت شبکه­های RBF زمان کمتر مورد نیاز برای آموزش است.

Keywords:

واژه های کلیدی: پرسپترون چندلایه , تابع پایه شعاعی , شاهرود , ضریب NASH , منحنی سنجه رسوب

Paper COI Code

This Paper COI Code is JR_WATER-7-3_003. Also You can use the following address to link to this article. This link is permanent and is used as an article registration confirmation in the Civilica reference:

https://civilica.com/doc/888590/

How to Cite to This Paper:

If you want to refer to this Paper in your research work, you can simply use the following phrase in the resources section:
محمدی، صدیقه،1396،مقایسه مدل های شبکه عصبی مصنوعی و منحنی سنجه رسوب در شبیه سازی میزان رسوب معلق؛ مطالعه موردی حوزه آبخیز شاهرود،https://civilica.com/doc/888590

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 :

  • کاربرد شبکه های عصبی مصنوعی جهت تخمین دبی رسوب رودخانه ها [Conference Paper]
  • ابراهیمی محمدی، ش.، س. ح . ر. صادقی و ک. ...
  • امجدی، ن. 1381. آشنایی با سیستم های هوشمند،  انتشارات دانشگاه ...
  • دستورانی، م. ت.،  خ.  عظیمی فشی، ع. طالبی، و م. ... [Journal Paper]
  • دهقانی، ا.، م. ا.، زنگانه، ا. مساعدی، و ن. کوهستانی. ...
  • سلاجقه، ع .، ا. فتح آبادی. 1388. بررسی امکان برآورد ...
  • شاهرخی، س. ح.، ج.، ظهیری، 1. جعفری، 1395. کاربرد الگوریتم ...
  • صدر موسوی، م. س. و ا. رحیمی. 1389. مقایسه نتایج ...
  • عرب خدری. م. 1388. برآورد رسوبدهی و تهیه نقشه تولید ...
  • فلامکی، ا.، اسکندری، م.، بغلانی، ع. ا. و س. ا. ...
  • معیری، م. م.، م. ر.، نیک پور، ع. حسین زاده ...
  • ملکی نژاد، ح. و ر. پورشرعیاتی. 1392. کاربرد و مقایسه ...
  • منهاج، م.ب. 1393. مبانی شبکه های عصبی (هوش محاسباتی)، انتشارات ...
  • ولی، ع.، . ح.، رامشت، مع. سیف، و ر. قضاوی.1390. ... [Journal Paper]
  • یوسفی، م. و ر. پورشرعیاتی. 1393. برآورد رسوب معلق با ... [Journal Paper]
  • یوسفی، م. و ف. برزگری. 1394. تعیین مناسب ترین روش ...
  • Ahmat Nor, N. I. B. 2005. Rainfall-runoff Modelling using Artificial ...
  • Beale, R. and T. Jackson. 1990. Neural Computing: An Introduction. ...
  • Bissonnais, Y. L., C. Monitor, M. Jamagne, J. Daroussin and ...
  • Chelani, A.B., R.C.V. Chalapati, K.M. Phadke and M.Z. Hasan. 2002. ...
  • Cigizoglu, H. K. and O. Kisi. 2007. Methods to improve ...
  • Cigizoglu, H.K. and M. Alp. 2006. Generalized regression neural network ...
  • Demuth, H., M. Beal and M. Hagan. 1992-2009, Neural Network ...
  • Heng, S. and T. Suetsugi. 2013. Using artificial neural network ...
  • Jansson, M.B. 1996. Estimating a sediment rating curve of the ...
  • Kisi, O. and J. Shiri.  2012. River suspended sediment estimation ...
  • Kumar, D., A. Pandey, N. Sharm and F. Wolfgang-Albert. 2016. ...
  • Lee, S., J. H. Ryu, M. J. Lee and J. ...
  • Martinez, J. A., M. Cancepcion and M. Ribes-Dasi. 2005. On ...
  • Mustafa, M. R., M. H. Isa and R. B. Rezaur. ...
  • Principe, J. C. 2000, Artificial neural networks. CRC Press LLC. ...
  • Ramos, M. C. and J. A. Martinez-Casasnovas. 2006. Erosion  rates ...
  • Rezapour, O. M., L. T. Shui  and D. B. Ahmad. ...
  • Safari, M-J., H. Aksoy and M. Mohammadi. 2016. Artificial neural ...
  • Sepahvand, A., N. Hezarkhani, M. Taei Semiromi and S.H. Asgari. ...
  • Solaimani, K. 2009. Rainfall-runoff prediction based on artificial neural network. ...
  • Sudheer, K. P. and Jain, S. K. 2003. Radial basis ...
  • Vafakhah, M. 2012. Comparison of cokriging and adaptive neuro-fuzzy inference ...
  • Vakil-Baghmisheh, M. T. 2002. Fari character recognition using artificial neural ...
  • Yang, C. T., R. Marsooli and M. T. Aalami. 2009. ...
  • Research Info Management

    Certificate | Report | من نویسنده این مقاله هستم
    این Paper در بخشهای موضوعی زیر دسته بندی شده است:

    اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    Scientometrics

    The specifications of the publisher center of this Paper are as follows:
    Type of center: دانشگاه دولتی
    Paper count: 2,577
    In the scientometrics section of CIVILICA, you can see the scientific ranking of the Iranian academic and research centers based on the statistics of indexed articles.

    Share this page

    More information about COI

    COI stands for "CIVILICA Object Identifier". COI is the unique code assigned to articles of Iranian conferences and journals when indexing on the CIVILICA citation database.

    The COI is the national code of documents indexed in CIVILICA and is a unique and permanent code. it can always be cited and tracked and assumed as registration confirmation ID.

    Support