مدلسازی بار رسوب کل رودخانهها با استفاده از شبکههای عصبی مصنوعی
Authors
Abstract:
برآورد بار رسوب کل رودخانهها از مسائل مهم و کاربردی در مدیریت و برنامهریزی منابع آب است. غلظت رسوب میتواند به روشهای مستقیم و یا غیرمستقیم محاسبه شود که معمولاً روشهای مستقیم پرهزینه و زمانبر هستند. همچنین بار رسوب کل میتواند به کمک روابط مختلف انتقال رسوب محاسبه شود، لیکن به طور معمول کاربرد این روابط نیاز به شرایط معینی داشته و به علاوه در بیشتر موارد نتایج حاصل از آنها با یکدیگر و با مقادیر اندازهگیری شده متفاوت است. هدف از این پژوهش ارائه روشی بر پایه شبکههای عصبی مصنوعی (ANN) در تخمین بار رسوب کل بود. بدین منظور از دو نوع شبکه عصبی پرسپترون چند لایه (MLP) و توابع پایه شعاعی (RBF) و 200 نمونه، استفاده شد. 75 درصد از دادهها برای آموزش و 25 درصد برای آزمون شبکهها در نظر گرفته شدند. متغیرهای ورودی مدلها شامل سرعت متوسط جریان، شیب کف آبراهه، عمق متوسط، عرض آبراهه و قطر میانه ذرات رسوب و خروجی مدل، غلظت رسوب بود. متغیرهای ورودی مرحله به مرحله به شبکهها اضافه شدند و هر بار نتایج ارزیابی شد تا مناسبترین مدل تعیین شود. سپس نتایج حاصل از مدلهای ANN با پنج معادله معروف انتقال رسوب مقایسه شدند. شاخص‌های آماری نشان داد که دقت شبکههای عصبی بهویژه مدل MLP در تخمین بار رسوب کل با ضریب همبستگی 96/0 بیش از سایر مدلهاست. همچنین مشخص شد که برای افزایش دقت مدل نیاز به آموزش آن با هر دو نوع دادههای هیدرولوژیک و رسوب است. رابطه Ackersو White در برآورد مقدار بار رسوب کل بسیار بیشبرآورد و سایر روابط، کم برآورد بودند. نتایج این پژوهش نشان داد که مدلهای ارائه شده بر پایه شبکههای عصبی با مقادیر رسوب کل مشاهده شده همخوانی بیشتری دارند و بویژه شبکه MLP میتواند مقدار رسوب را در نقاط پیک به خوبی برآورد نماید.
similar resources
مدل سازی بار رسوب کل رودخانه ها با استفاده از شبکه های عصبی مصنوعی
برآورد بار رسوب کل رودخانهها از مسائل مهم و کاربردی در مدیریت و برنامهریزی منابع آب است. غلظت رسوب میتواند به روشهای مستقیم و یا غیرمستقیم محاسبه شود که معمولاً روشهای مستقیم پرهزینه و زمانبر هستند. همچنین بار رسوب کل میتواند به کمک روابط مختلف انتقال رسوب محاسبه شود، لیکن به طور معمول کاربرد این روابط نیاز به شرایط معینی داشته و به علاوه در بیشتر موارد نتایج حاصل از آنها با یکدیگر و با ...
full textمدلسازی نفوذپذیری سیستم بیوراکتورغشایی با استفاده از شبکه عصبی مصنوعی
مدلسازی برای سیستم های پیچیده ای همچون بیوراکتور غشایی به دلیل امکان اجرای آزمایشهای مجازی زیاد در زمان کوتاه ابزاری قدرتمند است، اگرچه نیازمند اعتبار تجربی و تبدیل فرایند به مدل ریاضی می باشد. در این پژوهش به مدلسازی فرایند فیلتراسیون توسط شبکه های عصبی با استفاده از نرم افزار MATLAB 8.1 (2013) پرداخته شده و از داده های تجربی یک سیستم بیوراکتور غشایی غوطه ور مجهز به غشاء کوبوتا جهت تصفیه فاضلا...
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 textتخمین 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...
full textتخمین هدایت هیدرولیکی اشباع در برخی از خاکهای استان ایلام با استفاده از شبکههای عصبی مصنوعی و روشهای رگرسیونی
هدایت هیدرولیکی اشباع ) Ks ( یکی از ورودیهای مهم در مدلسازی جریان آب و انتقال آلایندهها در خاک، طراحی سیستمهای آبیاری و زهکشی، مدلسازی آبهایزیرزمینی و فرایندهای زیستمحیطی است. اندازهگیری مستقیم Ks در مزرعه و آزمایشگاه میسّر میباشد؛ لیکن، معمولاً زمانبر، پرهزینه و دشوار بوده و در سطوحبزرگ نیز غیرعملی است. افزون بر این، بهدلیل غیرهمگن بودن خاک و خطاهای آزمایشگاهی، تا حدودی این اندازهگیریها غیرقابل ...
full textMy Resources
Journal title
volume 2 issue 3
pages 13- 26
publication date 2013-06-21
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