شبیه‌سازی فرایند بارش- رواناب با استفاده از شبکة عصبی- مصنوعی و سیستم فازی عصبی تطبیقی و رگرسیون چندمتغیره (مطالعة موردی: حوضة آبخیز خرم‌آباد)

Authors

  • فاضل نوری دانشجوی کارشناسی ارشد مهندسی آبخیزداری دانشگاه لرستان
  • محمد محمدلو دانشجوی کارشناسی ارشد مهندسی آبخیزداری دانشگاه لرستان
Abstract:

مقدار دبی یا رواناب خروجی از یک حوضة آبخیز از اهمیت زیادی برخوردار است؛ زیرا کمبود آن ممکن است موجب خسارات مالی و مازاد آن به‌صورت سیلاب ممکن است موجب خسارات جانی و مالی شود. در این پژوهش با استفاده از شبکة عصبی مصنوعی پرسپترون چندلایه (MLP) و مدل فازی عصبی تطبیقی (ANFIS) و روش رگرسیون چندمتغیره، فرایند بارش- رواناب به‌صورت روزانه در حوضة آبخیز خرم‌آباد شبیه‌سازی شد. برای ورودی‌ها از ترکیب‌های مختلف از ورودی‌های بارندگی همان روز، یک روز قبل و دو روز قبل استفاده شد. تابع عضویت ورودی‌های مدل ANFIS استفاده‌شده در این مطالعه، ذوزنقه­ای، مثلثی، گوسی و گوسی نوع 2 است. مدل MLP به­کار‌رفته با یک لایة پنهان و تعداد نورون‌های متغیر ارزیابی شد. نتایج نشان داد که مدل عصبی فازی تطبیقی (ANFIS) عملکرد بهتری از شبکة عصبی مصنوعی پرسپترون چندلایه (MLP) و مدل رگرسیون چندمتغیره دارد. همچنین با افزایش تعداد ورودی‌ها و دخالت دادن بارندگی یک و دو روز قبل، عملکرد هر سه مدل بهتر می‌شود.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

شبیه سازی فرایند بارش- رواناب با استفاده از شبکة عصبی- مصنوعی و سیستم فازی عصبی تطبیقی و رگرسیون چندمتغیره (مطالعة موردی: حوضة آبخیز خرم آباد)

مقدار دبی یا رواناب خروجی از یک حوضة آبخیز از اهمیت زیادی برخوردار است؛ زیرا کمبود آن ممکن است موجب خسارات مالی و مازاد آن به صورت سیلاب ممکن است موجب خسارات جانی و مالی شود. در این پژوهش با استفاده از شبکة عصبی مصنوعی پرسپترون چندلایه (mlp) و مدل فازی عصبی تطبیقی (anfis) و روش رگرسیون چندمتغیره، فرایند بارش- رواناب به صورت روزانه در حوضة آبخیز خرم آباد شبیه سازی شد. برای ورودی ها از ترکیب های ...

full text

مدل‌سازی بارش- رواناب با سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) و رگرسیون خطی چندمتغیره (MLR)

در این پژوهش، کارآیی سیستم فازی- عصبی برای برآورد رواناب ناحیه کوهستانی حوضه هراز مورد ارزیابی قرار گرفت. هدف ایجاد مدلی با توابع و درجه عضویت مناسب است که بتواند رابطه بارندگی- رواناب را در یک حوضه به­درستی برقرار کند. بدین منظور برای پیش­بینی رواناب، 44 ترکیب مختلف از پارامترهای بارندگی، دما، تبخیر، دبی جریان و شاخص بارش پیشین با تأخیر زمانی بین آنها به­صورت روزانه طی دوره 32 سال آماری وارد م...

full text

مدل‌سازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی و شبکه فازی- عصبی تطبیقی در حوزه آبخیز کسیلیان

     Rainfall runoff modeling and prediction of river discharge is one of the important practices in flood control and management, hydraulic structure design and drought management. The present article aims to simulate daily streamflow in Kasilian watershed using an artificial neural network (ANN) and neuro-fuzzy inference system (ANFIS). The intelligent methods have the high potential for dete...

full text

کارایی شبکه‌های عصبی مصنوعی و سیستم استنتاج عصبی- فازی تطبیقی در مدل‌سازی بارش- رواناب در حوضه آبخیز سد زاینده‌رود

در دهه‌های اخیر به‌دلیل اهمیت یافتن مسئله آب و همینطور افزایش تمایل به محاسبه مقدار رواناب حاصل از بارش، توسعه و اجرای روشهای مناسب برای پیش‌بینی رواناب از روی داده‌های بارش به مسئله‌ای ضروری تبدیل شده است. یکی از این روشها که در بسیاری از رشته‌ها از جمله هیدرولوژی توسعه یافته است، استفاده از روشهای محاسبات نرم نظیر منطق فازی و شبکه‌های عصبی مصنوعی است. در این تح...

full text

پیش‏بینی رواناب و رسوب به کمک شبکة عصبی مصنوعی و رگرسیون چندمتغیره در مارن‏های آغاجاری

پدیدة فرسایش و انتقال رسوب یکی از پیچیده‏ترین مسائل مدیریت حوزة زه‌کشی رودخانه‏هاست که در بررسی‏ طرح‏های آبی اهمیت بسیاری دارد و اندازه‏گیری آن مستلزم صرف وقت و هزینة فراوانی است. مسئلة رواناب سطحی در حوزة آبخیز رودخانه‏ها نیز موضوع پیچیده‏ای است که اطلاعات و فهم دانش بشری از قوانین فیزیکی حاکم بر آن بعضاً از دیدگاه روابط ریاضی محدود است. در این تحقیق، به منظور مدل‌سازی تولید رواناب و رسوب کاربر...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 2  issue 2

pages  233- 243

publication date 2015-06-22

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023