تخمین دبی بار معلق رسوب با استفاده از بهترین ساختار شبکه عصبی مصنوعی در حوزه آبخیز طالقان
نویسندگان
چکیده مقاله:
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, flow depth and hydrograph condition (respectively with the average of 13.83 (m3/s), 15.42 (m3/s), 89.83 (cm) and -0.036) as input variables, and 500 daily data series of suspended sediment, as the output of the model were used. The data was related to the period of 1984-2005. 80 different neural networks were developed using different combinations of variables and also changing the number of hidden-layer neurons and threshold functions. The accuracy of the models was then compared by R2 and RMSE. Results showed that the neural network with 3-9-1 structure and input parameters of flow discharge on the present day, flow discharge on the past day and flow depth was superior (R2= 0.97 and RMSE= 0.068) compared to the other structures. The average of the observed data of sediment and that predicted by the optimal model (related to test step) were 1122.802 and 1184.924 (tons per day), respectively.
منابع مشابه
شبیهسازی 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 ...
متن کاملبهینهسازی ساختار شبکه عصبی مصنوعی در پیش‌بینی دبی رسوب با استفاده از روش تاگوچی
در دهه های اخیر شبکه های عصبی مصنوعی به عنوان ابزاری موفق در تخمین و پیش بینی پدیده های هیدرولوژیکی به کار گرفته شده اند. اگرچه استفاده از شبکه های عصبی مصنوعی امکان برآورد بار معلق رسوب رودخانه ها را با دقت و سرعت مناسب فراهم کرده است، اما دقت پیش بینی این مدل ها، به میزان زیادی تحت تاثیر دانش و درک کاربر از شبکه عصبی مصنوعی قرار دارد. در مطالعات منابع طبیعی و به ویژه مطالعات هیدرولو...
متن کاملبرآورد رسوبات معلق با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: حوزه آبخیز جامیشان استان کرمانشاه)
متن کامل
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...
متن کاملمقایسه کارایی روش‌های نروفازی، شبکه عصبی مصنوعی و مدلهای آماری در تخمین رسوب معلق رودخانه‌ها(مطالعه موردی: بالادست حوضه طالقان)
برآورد دقیق میزان رسوب معلق رودخانه‌ها از مسائلی مهم در طراحی مخازن، آلودگی دریاچه‌ها، طراحی کانالها و لایروبی آنها بعد از سیلابها، تعیین خسارتهای ناشی از رسوبگذاری و تعیین تأثیرات مدیریت آبخیز است. روش‌های متعددی به‌منظور برآورد بار معلق رودخانه‌ها وجود دارد. یکی از این روشها، که در حل مسائل مختلف هیدرولوژی رسوب و پیش‌بینی آن کاربرد زیادی دارد، روش‌های نوروفازی و شبکه‌های عصبی مصنوعی است. ...
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 18 شماره 68
صفحات 79- 88
تاریخ انتشار 2014-09
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