پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,532 |
| تعداد مقالات | 70,502 |
| تعداد مشاهده مقاله | 124,117,950 |
| تعداد دریافت فایل اصل مقاله | 97,223,690 |
بررسی کارایی روش شبکه عصبی مصنوعی در تخمین رسوب معلق روزانه | ||
| مجله منابع طبیعی ایران (منتشر نمی شود) | ||
| مقاله 9، دوره 61، شماره 1 - شماره پیاپی 1000375، فروردین 1388 اصل مقاله (318.56 K) | ||
| نویسندگان | ||
| سادات فیض‌نیا؛ حسین محمدعسگری؛ محمد معظمی* | ||
| چکیده | ||
| پدیده فرسایش و جابجایی رسوب یکی از پیچیده‌ترین مسایل مدیریت حوزه زهکشی رودخانه‌ها می‌باشد که در بررسی‌های طرح‌های آبی اهمیت بسیاری دارد. اندازه‌گیری غلظت رسوب به روش‌های متداول به‌طور عموم مستلزم صرف وقت و هزینه زیادی بوده و گاهی نیز دارای دقت کافی نمی‌باشد. یکی از روش‌های نوین در حل مسائل مهندسی منابع آب و رودخانه استفاده از روش شبکه عصبی مصنوعی است که با الگوبرداری از شبکه عصبی مغز انسان، ضمن اجرای فرایند آموزش روابط درونی بین داده‌ها را استخراج کرده و در موقعیت‌های دیگر تعمیم می‌دهد. البته جهت رسیدن به یک مدل مطلوب مراحل آماده سازی داده‌ها، معماری شبکه، آموزش شبکه و اعتبار سنجی باید به گونه مطلوبی انجام گیرد. در این بررسی از داده‌های همزمان دبی آب و دبی رسوب ایستگاه آبسنجی ماشین واقع بر رودخانه زرد شهرستان رامهرمز جهت مدلسازی رسوب معلق روزانه استفاده شد. به‌این منظور بعد از رفع نواقص آماری و حذف داده‌های پرت، 80 درصد داده‌ها جهت آموزش و 20 درصد جهت آزمون شبکه مورد استفاده قرار گرفت. پس از استاندارد کردن داده‌ها با استفاده از داده‌های بسته آموزش، شبکه عصبی با الگوریتم پس انتشار ایجاد شد. همچنین با استفاده از لگاریتم داده‌های بسته آموزش رابطه رگرسیونی بین داده‌های دبی آب و رسوب برقرار شد. به منظور ارزیابی نتایج این دو روش از داده‌های بسته آزمون و از معیارهای RMS، MAE و R2 استفاده شد. نتایج نشان دهنده دقت بالاتر برآوردهای مدل شبکه عصبی (3184=RMS،1854 = MAE و 62/0=R2) در مقایسه با برآوردهای مدل رگرسیونی (3251=RMS، 1934=MAEو54/0=R2) می‌باشد. | ||
| کلیدواژه‌ها | ||
| رسوب معلق؛ شبکه عصبی مصنوعی؛ مدل‌های رگرسیونی؛ رود زرد؛ رامهرمز | ||
|
آمار تعداد مشاهده مقاله: 1,318 تعداد دریافت فایل اصل مقاله: 2,539 |
||