بررسی امکان برآورد رسوبات معلق توسط شبکه عصبی مصنوعی (ann) در حوزه آبخیز حیدر آباد کرمانشاه
thesis
- وزارت علوم، تحقیقات و فناوری - دانشگاه یزد
- author خداکرم عظیمی فشی
- adviser محمد تقی دستورانی محمد رضا اختصاصی
- Number of pages: First 15 pages
- publication year 1388
abstract
هر ساله هزاران تن خاک مناسب و با ارزش از سطح حوزه های آبخیز فرسایش می یابد و قسمتی از آن به صورت رسوبات معلق وارد شبکه هیدروگرافی می شود و از حوزه خارج می شود. یکی از نیازهای طراحی در پروژه های آبخیزداری و حفاظت آب و خاک، برآورد رسوبات معلق است. برای برآورد رسوبات معلق از مدل های مختلفی استفاده می شود. مدل ارائه شده مدلی برای برآورد رسوبات معلق می باشد. این مدل بر اساس شبکه عصبی مصنوعی ساخته شده و برای حوزه آبخیز حیدرآباد واقع در استان کرمانشاه استفاده شده است. انجام این تحقیق مبتنی بر جمع آوری و استفاده از داده های ایستگاه های هیدرومتری و هواشناسی بوده که ایستگاه هیدرومتری واقع در خروجی می باشد. بعد از بررسی صحت و پالایش داده ها، طول دوره آماری و تعداد داده های انتخاب شده به ترتیب برابر با 21 سال (1385-1364) و 223 داده است. از این میزان داده، 80% آن برای آموزش شبکه عصبی مصنوعی و 20% آن برای آزمون استفاده شده است. متغیر های ورودی مدل شامل دبی آب متناظر (همزمان با برداشت رسوب)، میانگین بارندگی 5 روزه و میانگین دبی 3 روزه می باشد. متغیر خروجی تنها شامل یک عامل یعنی دبی رسوب بوده است. تابع تبدیل متغیرهای ورودی به متغیرهای خروجی توسط روش شبکه عصبی مصنوعی از نوع تغذیه به جلو می باشد. ساختمان شبکه عصبی مورد استفاده شامل یک لایه ورودی، دولایه پنهان و یک لایه خروجی است. میزان عملکرد روش شبکه عصبی مصنوعی به وسیله پنج پارامتر آماری بررسی شده است. ضریب همبستگی که از فاز آزمون مدل شبکه عصبی و منحنی سنجه رسوب بدست آمده به ترتیب برابر با برابر با 91/0 و 82/0 است. مقایسه نتایج مدل شبکه عصبی با مدل سنجه رسوب حاکی از دقت بیشتر این مدل می باشد.
similar resources
برآورد رسوبات معلق با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: حوزه آبخیز جامیشان استان کرمانشاه)
full text
برآورد رسوبات معلق با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: حوزه آبخیز جامیشان استان کرمانشاه)
پدیدههای فرسایش و انتقال رسوب در رودخانهها یکی از مهمترین و پیچیدهترین موضوعات مهندسی رودخانه میباشد. این پدیدهها اثرات ویژهای روی شاخص های کیفی آب، کنش کف بستر و کناره های رودخانه داشته و همچنین خسارات جبران ناپذیری به طرح های عمرانی آب وارد مینماید. پیشبینی دقیق میزان رسوب رودخانهها اهمیت قابل توجهی در مدیریت منابع آب و طراحی و ساخت و همچنین برنامه ریزی در بهره برداری از سازههای آب...
full textمقایسه روش های شبکه عصبی بیزین و شبکه عصبی مصنوعی در تخمین رسوبات معلق رودخانه ها (مطالعه موردی: سیمینه رود)
زمینه و هدف: شبیه سازی و ارزیابی آورد رسوب رودخانه از جمله مسایل مهم در مدیریت منابع آب می باشد. اندازه گیری مقدار رسوب به روش های متداول عموماً مستلزم صرف وقت و هزینه زیادی بوده و گاهی از دقت کافی نیز برخوردار نمی باشد. روش بررسی: در این پژوهش تخمین رسوب رودخانه سیمینه رود واقع در استان آذربایجان غربی، با استفاده از شبکه عصبی بیـزین مورد بررسی قرار گرفته و نتایج آن با روش های مرسـوم هوشمند هم...
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 textبررسی کارایی شبکه عصبی مصنوعی در برآورد بار معلق رودخانه با استفاده از داده های دستهبندیشده
بار رسوب جریان، شاخص مفیدی در پیشبینی فرسایش خاک در حوزههای آبخیز است؛ بنابراین تدوین مدلی برای برآورد بار رسوب میتواند در مدیریت و اجرای پروژههای آبخیزداری و مهندسی رودخانه مفید باشد. در این پژوهش روش دستهبندی دادهها بهعنوان راهکاری برای افزایش دقت شبکه عصبی مصنوعی در تدوین مدل برآورد رسوب معلق بررسی شد. بدین منظور، میزان آورد رسوبات معلق رودخانههای خلیفهترخان و چهلگزی در حوضۀ قشلاق...
full textشبیه سازی فرآیند بارش- رواناب با بکارگیری شبکه عصبی مصنوعی (ANN) و مدل HEC-HMS ( مطالعه موردی حوزه آبخیز کسیلیان)
برای شبیه سازی فرآیند بارش - رواناب در سطح حوزه آبخیز کسیلیان با مساحت حدود 68 کیلومترمربع واقع در شمال ایران، مدل (HEC-HMS) و روش شبکه عصبی مصنوعی(ANN) بکار گرفته شد. شبکه عصبی دارای قابلیت بالایی برای برقراری ارتباط بین داده های ورودی و خروجی و مدل(HEC-HMS) دارای قابلیت بالایی در بهینه سازی آبنمود شبیه سازی شده می باشد. عامل هدر رفت اولیه خاک به عنوان یک معیار کمی در برگیرنده سه فاک...
full textMy Resources
document type: thesis
وزارت علوم، تحقیقات و فناوری - دانشگاه یزد
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023