ارائه یک مدل شبکه عصبی مصنوعی برای تخمین نفوذ آب در خاک بر اساس پارامتر‌های مدل‌های SCS و کوستیاکوف
Authors
Abstract:
Infiltration of water into the soil accounts as a phenomenon in which most of researchers and scientists are interested so it acts a prominent role in the water cycling. Owing to temporal and spatial variation of infiltration, measuring of it in a direct way requires a long time and high cost. Thus, using a method for measuring the soil infiltration in an indirect way instead of direct way for achieving to an appropriate estimation of infiltration rate will be so valuable. The present research has been done for determining the best Artificial Neural Network (ANN) model based on the parameters of two models SCS and Kostiakov. According to two applied infiltration models, two ANN models developed so called ANN-1 and ANN-2 respectively. In this research, rain and runoff data were used as the inputting layers to the ANN then two models ANN-1 and ANN-2 were developed. Afterward the best model was selected by some criteria of error assessment, such as percentage of relative error (RE), root mean square error (RMSE), modeling efficiency coefficient (EF) and coefficient of descriptive (R2). After several trial and error runs, optimum structures for two ANN models have been created with 4 and 9 hidden layers respectively. The results showed that ANN-1 developed by SCS infiltration model could estimate the infiltration rate with higher accuracy than ANN-2 crated by Kostiakov infiltration model.
similar resources
تخمین ضرایب هیدرودینامیکی نفوذ آب در خاک با استفاده از بهینه‌سازی معادلات نفوذ SCS و Horton
تعیین ضرایب معادلههای نفوذ با دقت مناسب، یکی از مسائل مهم در برنامه‌ریزی‌های آبیاری است. معمولاً برای تعیین این ضرایب از روش آزمایش استوانههای مضاعف استفاده میشود که این روش تنها بُعد هیدرواستاتیکی و نقطهای نفوذ را در برمی‌گیرد. در این تحقیق، از جویچه‌ای با مقطع سهمی شکل، طول 50 متر، عمق متوسط 12 سانتیمتر و شیب 02/0 به‌منظور شبیه‌سازی یک نهر آبیاری استفاده شد. سه آزمایش با بازههای طولی 7/4،...
full textمدل شبکه عصبی مصنوعی برای تخمین رسوب‌دهی حوزه‌های آبخیز
امروزه رسوب‌دهی حوزه‌های آبخیز از جمله مشکلات بهره‌برداری از منابع آب‌های سطحی در جهان است. با توجه به نقش و اهمیت رسوب در عمر مفید سدهای کشور، عدم توجه به اندازه‌گیری و محاسبه دقیق آن، باعث اتلاف سرمایه‌های ملی میشود. بدیهی است که دقت تخمین میزان رسوب‌دهی، بستگی زیادی به روش‌های محاسباتی، معادلات ارائه شده و داده‌ها یا اطلاعات تخمین رسوب دارد. چون عوامل مختلفی در فرسایش و تولید رسوب مؤثر است ...
full textارائه یک مدل فازی برای مدل سازی نفوذ آب در خاک
مدل سازی نفوذ آب در خاک غیر اشباع معمولاً بر اساس حل عددی معادله ریچاردز انجام می‌گیرد. پیچیدگی‌های موجود در حل عددی، در نظر نگرفتن عدم قطعیت پارامترها، و دشواری‌های کاربرد این شیوه در مدلسازی حرکت آب در خاک در مقیاس بزرگ (مزرعه‌ای و ناحیه‌ای) توجه پژوهشگران را به سایر روش ها جلب کرده است. در این پژوهش مدل فازی مبتنی بر قانون برای بررسی نفوذ آب در خاک غیر اشباع بدون کشت گیاهی ارائه شده ...
full textارائه یک الگوی شبکه عصبی برای تخمین روابط هزینه - فعالیت در بودجه‌ریزی بر مبنای عملکرد
One of the concerns of budgeting researchers and managers is how to relate performance data to budget as one of the key concepts of performance-based budgeting. One of the most intricate parts of performance-based budgeting is how to attribute activities to resources and determine the shares of resource drivers. In most customary costing and budgeting methods, it is usually assumed that there i...
full textتخمین ضریب توزیع خاک-آب فلزات سنگین با کاربرد شبکه های عصبی مصنوعی
آلودگی منابع آب و خاک یکی از چالش های مهم استفاده بهینه از این منابع در سرتاسر جهان است. ضریب توزیع (Kd) نه تنها یک پارامتر کاربردی در مدلسازی انتقال آلاینده ها در خاک است، بلکه در ارزیابی ریسک آلودگی منابع آب و خاک نیز کاربرد دارد. مدل های پارامتریک، معمول ترین روش کمی برای تخمین Kd هستند. لیکن معمولاً ضریب همبستگی این مدل ها اندک است. درحالیکه مقدار تخمینی این پارامتر می تواند باعث اشتباه قابل...
full textMy Resources
Journal title
volume 4 issue 6
pages 77- 86
publication date 2015-06
By following a journal you will be notified via email when a new issue of this journal is published.
No Keywords
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023