الگوی جدید بارش- رواناب حوضه آبریز هلیل رود با استفاده از مدل هیبرید شبکه عصبی- موجکی
نویسندگان: ثبت نشده
چکیده مقاله:
برآورد سیلاب و مدیریت آن از دیرباز مورد توجه کارشناسان و مدیران علوم محیطی بوده است. برای این امر روشهای بسیاری وجود دارد که یکی از چشمگیرترین آنها استفاده از شبکههای عصبی مصنوعی است. در این تحقیق، مدل بارش- رواناب حوضه آبریز رودخانه هلیل رود در جنوبشرق ایران ارائه شده است. ظهور تئوریهای توانمند مانند منطق فازی و شبکههای عصبی مصنوعی(ANN)، الگوریتم ژنتیک و موجک تحولی عظیم در تحلیل رفتار سیستمهای دینامیک در علوم مختلف مهندسی ایجاد کرده است. در این مقاله با استفاده از تئوری موجک و شبکه عصبی، شبکه عصبی- موجکی طراحی شده است. در واقع عملکرد شبکه عصبی پرسپترون چند لایه(MLP)، با استفاده از موجک بهبود داده شده و با استفاده شبکه عصبی- موجکی الگوی جدیدی در بارش- رواناب ارائه شده است. نتایج بهدست آمده از این مدل با نتایج شبکه عصبی انتشار برگشتی و بنیادی شعاعی مقایسه شده است. در الگوی ارائه شده، دادهها در گروههای همگن با توجه به میزان بارش و رواناب و بهکارگیری آنها توسط شبکه عصبی- موجکی، دستهبندی شده است. کنترل دقت محاسبات با محاسبه ضریب همبستگی R، و ریشه میانگین مربعات خطا(RMSE) صورت گرفته است. نتایج حاکی از بهبود بسیار خوب عملکرد شبکه عصبی- موجکی با استفاده از دادههای تقسیمبندی شده با الگوی جدید است.
منابع مشابه
پیشبینی گروهی جریان با استفاده از مدل هیبرید بارش رواناب (مطالعه موردی حوضه آبریز رود زرد)
یکی از مهمترین اطلاعات در بهرهبرداری مطلوب از منابع آب، اطلاعات مربوط به پیشبینی آبدهی در آینده است. دراستفاده از اطلاعات پیشبینی جریان در نظر گرفتن عدم قطعیتهای موجود از اهمیت به سزایی برخوردار است. پیشبینی گروهی جریان یکی از روشهایی است که عدم قطعیت پیشبینی به دلیل عدم اطلاعات دقیق پدیدههای هواشناسی را پوشش میدهد. هدف از این تحقیق تولید و ارزیابی پیشبینی گروهی جریان ماهانه برای حوض...
متن کاملشبیهسازی رواناب با استفاده از شبکه عصبی- موجکی (مطالعهی موردی: حوضهی آبخیز رود خِرسان3)
برآورد، پیشبینی و مدیریت رواناب همواره مورد توجه پژوهشگران بوده است؛ لذا با به کارگیری روشهای متداول و مرسوم هر دوره، اقدام به برآورد این پدیده به ظاهر زیانبار نموده اند که متأسفانه به دلیل پیچیدگی رابطهی بین بارش و رواناب، و غیر خطی بودن این رابطه، نتایج خیلی دقیقی را به دست نمیدادند. امروزه، پیشرفت علم و توسعهی روشهای نوین در همهی ابعاد علمی، امیدواری خوبی را در زمینهی شناخت و حل چنین ر...
متن کاملشبیه سازی رواناب با استفاده از شبکه عصبی- موجکی (مطالعه ی موردی: حوضه ی آبخیز رود خِرسان۳)
برآورد، پیشبینی و مدیریت رواناب همواره مورد توجه پژوهشگران بوده است؛ لذا با به کارگیری روشهای متداول و مرسوم هر دوره، اقدام به برآورد این پدیده به ظاهر زیانبار نموده اند که متأسفانه به دلیل پیچیدگی رابطهی بین بارش و رواناب، و غیر خطی بودن این رابطه، نتایج خیلی دقیقی را به دست نمیدادند. امروزه، پیشرفت علم و توسعهی روشهای نوین در همهی ابعاد علمی، امیدواری خوبی را در زمینهی شناخت و حل چنین ر...
متن کاملشبیه سازی رواناب با استفاده از شبکه عصبی- موجکی (مطالعه ی موردی: حوضه ی آبخیز رود خِرسان3)
برآورد، پیشبینی و مدیریت رواناب همواره مورد توجه پژوهشگران بوده است؛ لذا با به کارگیری روشهای متداول و مرسوم هر دوره، اقدام به برآورد این پدیده به ظاهر زیانبار نموده اند که متأسفانه به دلیل پیچیدگی رابطهی بین بارش و رواناب، و غیر خطی بودن این رابطه، نتایج خیلی دقیقی را به دست نمیدادند. امروزه، پیشرفت علم و توسعهی روشهای نوین در همهی ابعاد علمی، امیدواری خوبی را در زمینهی شناخت و حل چنین ر...
متن کاملشبیه سازی فرآیند بارش- رواناب در حوضه آبریز قره سو با استفاده از مدل WMS
برآورد رواناب حاصل از بارشهای جوی اهمیت خاصی در مطالعات هیدرولوژی، مدیریت حوضههای آبخیز و حفاظت آب و خاک دارد. استفاده از مدلهای شبیهساز بارش- رواناب همانند WMS در سالهای اخیر گسترش فراوانی یافته است. این مدل با تلفیق امکانات GIS و مدلهای هیدرولوژیکی رایج به ابزاری قدرتمند برای شبیهسازی فرآیندهای هیدرولوژیکی حوضههای آبخیز تبدیل شده است. در این مطالعه برای پیش بینی سیلاب حاصل از بارش حوض...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 2 شماره 2
صفحات 451- 472
تاریخ انتشار 2008-03
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
کلمات کلیدی برای این مقاله ارائه نشده است
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023