پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,225 |
| تعداد مقالات | 67,685 |
| تعداد مشاهده مقاله | 114,993,099 |
| تعداد دریافت فایل اصل مقاله | 89,662,393 |
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 | ||
| عنوان مقاله [English] | ||
| Investigating the applicability of Neural Network method for estimating daily suspended sediment yield (Case study: Zard Drainage Basin, Khozestan Province) | ||
| چکیده [English] | ||
| In this study, to drawn the model of daily suspended sediment yield, simultaneous water and sediment discharge data of Machine Hydrometric Station, which is located on Zard River, Ramhormoz, Iran, were used. For this purpose, after elimination of statistical deficiency and exclusion of deviated data, the data were divided into two parts: 80% of the data were allocated for training and the other 20% of data were used for the examination of neural network. After standardization of the data, by using training data series, neural network with back propagation error algorithm was developed. Furthermore, by using the training data series, regression equation was developed between water and sediment discharges. For evaluating these two methods, the examination data series and the statistical parameters of R2, MAE and RMS were used. The amounts of R2, MAE and RMS for the neural network method are as follows: R2=0.62, MAE=1854 and RMS=3184. The amounts of the mentioned parameters for estimation using regression equation are: R2=0.54, MAE=1934 and RMS=3251. The results have shown that the estimation of suspended sediment yield using neural network model is more accurate in comparison to the regression equation estimates. But for reaching an optimum model, the processes of the data preparation, network architecturing and network training should be performed carefully and accurately. It is concluded that for the estimation of river suspended sediment yield, this model should be considered and used. | ||
| کلیدواژه‌ها [English] | ||
| Suspended sediment yield, Neural network model, Back propagation Error algorithm, Zard River, Ramhormoz, Iran | ||
|
آمار تعداد مشاهده مقاله: 1,285 تعداد دریافت فایل اصل مقاله: 2,507 |
||