ارزیابی برآورد رسوب با استفاده از روشهای منحنی سنجه و شبکه عصبی با تلفیق پارامترهای مورفولوژیکی حوزه (مطالعه موردی حوزه باغ عباس)
Authors
Abstract:
Since the development of surface water control needs accurate access to flow behavior of sediment rates, the lack of sediment measurement stations, the novelty of most stations and the lack of statistics on the deposit make it difficult to properly evaluate and simulate the flow behavior and their sediments. In a watershed, the morphological characteristics and sediment load of flow affect each other. It is, thus, important to know about the extent of this relationship to manage and control the flow in downstream areas. In the present study, using artificial neural networks and sediment rating regression methods based on the data from 136 events and also morphological parameters, we have attempted to predict the sediment load of Bagh Abbas basin. In the first step, we used flow data to predict the sediment load of both methods, and then basin morphological characteristics such as the compactness factor and form factor were added to the models. The results of this study showed that by using neural networks of Multilayer Perceptron (MLP) type with Levenberg – Marquardt algorithm and the stimulation function of tangent Sigmoid with two hidden layers and four neurons in each layer, we can predict suspended sediment discharge rate with a sufficient accuracy. Accuracy of the results obtained from the ANN method was higher than the accuracy of rating curve method. In the evaluation of NGANN & GANN network methods and SRC & MARS regression methods, correlation coefficients were respectively calculated as 0.94, 0.93, 0.767, 0.766, and root mean square errors (RMSE), 0.45, 0.49, 2.3 and 2.3. Nash coefficient (NS) was calculated respectively as 0.71, 0.58, 0.27 and 0.23. Therefore, the most efficient method among the four models is artificial neural network combined with morphological data (GANN). Furthermore, the findings of the study show that adding geomorphological parameters to sediment rating has little effect on the model performance.
similar resources
مقایسه مدلهای شبکه عصبی مصنوعی و منحنی سنجه رسوب در شبیهسازی میزان رسوب معلق؛ مطالعه موردی حوزه آبخیز شاهرود
این پژوهش با هدف مقایسه کارآیی برخی مدلهای 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 مدل...
full textشبیهسازی بار رسوب معلق با استفاده از روشهای شبکه عصبی مصنوعی، عصبی-فازی و منحنی سنجه رسوب در حوزه آبخیز هلیلرود
در کشورهای در حال توسعه، بهعلت مشکلات مالی و فنی بهطور معمول دادههای رسوب اندکی اندازهگیری میشوند، لذا، مدلی که بتواند با استفاده از دادههای دبی آب، میزان بار رسوبی را برآورد کند، میتواند گزینه قابل اطمینانی باشد. با توجه به کاربرد انواع مدلها در پیشبینی رسوب، این تحقیق با هدف ارائه مدل بهینه برآورد میزان رسوب معلق بر اساس دبی جریان بر روی ایستگاههای هیدرومتری بالادست رودخانه ...
full textبرآورد رسوب معلق با استفاده از شبکه عصبی و ارزیابی توابع آموزشی(مطالعه موردی: استان لرستان)
full text
برآورد رسوبات معلق با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: حوزه آبخیز جامیشان استان کرمانشاه)
full text
مقایسه روشهای شبکه های عصبی مصنوعی، فازی-عصبی تطبیقی و منحنی سنجه رسوب در برآورد رسوبات معلق رودخانه ها (مطالعه موردی: رودخانه آجی چای)
ارائه راهکاری مناسب جهت برآورد دقیق بار معلق رودخانهها در پروژههای آبی، مهندسی رودخانه و آبیاریکاربردهای فراوانی دارد. به دلیل تأثیر پارامترهای مختلف بر انتقال رسوبات در رودخانهها، تعیین معادلات حاکم برآن مشکل بوده و مدلهای ریاضی نیز در این راستا از دقت کافی برخوردار نیستند. امروزه استفاده از سیستمهایهوش مصنوعی به عنوان راهکاری جدید در تحلیل مسائل آبی، گسترش یافته است. در تحقیق حاضر منطق فازی-ع...
full textMy Resources
Journal title
volume 19 issue 72
pages 217- 228
publication date 2015-08
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