مدلسازی منطقه ای دبی های اوج در زیر حوزه های آبخیز سد سفیدرود با استفاده از شبکه عصبی مصنوعی
نویسندگان
چکیده
مدل مورد بحث در این تحقیق با استفاده از شبکه عصبی مصنوعی ساخته شده و در حوزه آبخیز سفید رود (ناحیه غیر خزری) واسنجی شده است. انجام این تحقیق مبتنی بر جمع آوری و انتخاب آبنمودهایی فقط با منشأ بارندگی در 12 زیر حوزه با زمان تمرکز برابر و یا کمتر از 24 ساعت بوده است. از کل زیر حوزه های انتخابی به تعداد 661 آبنمود به منظور استفاده از دبی اوج آنها برای ساخت مدل پیش بینی، انتخاب گردیده است. متغیرهای ورودی مدل شامل بارندگی یک روزه سیلزا و بارندگی پنج روز قبل هر دبی اوج، مساحت زیر حوزه، طول آبراهه اصلی، شیب 85 -10 درصد طول آبراهه اصلی، ارتفاع میانه حوزه، مساحت سازندهای زمین شناسی و واحدهای سنگی در سه گروه هیدرولوژیکی یک، دو و سه، دبی پایه و متغیر خروجی نیز تنها دبی اوج بوده است. توسط روش شبکه عصبی مصنوعی از نوع تغذیه به جلو و روش آموزش پس انتشار خطا، تابع تبدیل متغیرهای ورودی به متغیر خروجی با طی سه مرحله آموزش، آزمایش و اعتبار سنجی به دست آمده است. هم چنین بر اساس همان داده ها و متغیرها، مدل رگرسیون چند متغیریه خطی برای منطقه مورد بررسی ساخته شد. نتیجه مقایسه دبی های اوج مشاهده ای و برآورد شده بر مبنای دسته داده های اعتبار سنجی نشان می دهد که پارامترهای آماری ضریب (r2) و ضریب آماره آزمون فیشیر (f) ، برای مدل شبکه عصبی و رگرسیون چند متغیره خطی به ترتیب 84/0، 66/33 و 33/0، 60/3 بوده و بیانگر ارجهیت کامل مدل شبکه عصبی بر روش های سنتی است.
منابع مشابه
مدلسازی منطقهای دبیهای اوج در زیر حوزههای آبخیز سد سفیدرود با استفاده از شبکه عصبی مصنوعی
The model in this research was created based on the Artificial Neural Network (ANN) and calibrated in the Sefid-rood dam basin (excluding Khazar zone). This research was done by gathering and selecting peak flows of hydrographs from 12 sub basins, the concentration time of which was equal to or less than 24 hours and was caused only by rainfall. From all the selected sub basins, totally 661 hyd...
متن کاملمدلسازی منطقهای دبیهای اوج در زیر حوزههای آبخیز سد سفیدرود با استفاده از شبکه عصبی مصنوعی
The model in this research was created based on the Artificial Neural Network (ANN) and calibrated in the Sefid-rood dam basin (excluding Khazar zone). This research was done by gathering and selecting peak flows of hydrographs from 12 sub basins, the concentration time of which was equal to or less than 24 hours and was caused only by rainfall. From all the selected sub basins, totally 661 hyd...
متن کاملبازسازی دبی روزانه با استفاده از روش های شبکه عصبی و فازی- عصبی(مطالعه موردی: سرشاخه های حوزه آبخیز کارون)
برای برآورد دبی روزانه در مدلهای هیدرولوژی نیاز به دبیهای پیوسته در بازه زمانی روزانه هست. تعداد سالهای آماری متفاوت، نواقص آماری و خطای اندازهگیری باعث ایجاد سریهای زمانی با پایه زمانی غیرمشترک میگردد. بنابراین بازسازی دادههای دبی روزانه از اهمیت ویژهای برخوردار است. این تحقیق بهمنظور بازسازی دبی روزانه در یکی از سرشاخههای رودخانه کارون و در دو مرحله انجام گرفت. در هر دو مرحله تحقیق ...
متن کاملتخمین دبی اوج سیلاب و حجم رواناب رگبار با استفاده از شبکه عصبی- فازی تطبیقی (مطالعه موردی: حوزه آبخیز کسیلیان)
Prediction of flood peak discharge and runoff volume is one of the major challenges in the management of watersheds. The present study was carried out to estimate event flood peak discharge and runoff volume using artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS) in Kasilian watershed, Iran. For this purpose, 15 rainfall characteristics were considered for 6...
متن کاملتخمین دبی بار معلق رسوب با استفاده از بهترین ساختار شبکه عصبی مصنوعی در حوزه آبخیز طالقان
Prediction of sediment load transported by rivers is a crucial step in the management of rivers, reservoirs and hydraulic projects. In the present study, in order to predict the suspended sediment of Taleghan river by using artificial neural network, and recognize the best ANN with the highest accuracy, 500 daily data series of flow discharge on the present day, flow discharge on the past day...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
عنوان ژورنال:
تولید محصولات زراعی و باغیجلد ۱۱، شماره ۱، صفحات ۲۵-۴۰
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023