شبیهسازی فرایند بارش- رواناب با استفاده از شبکة عصبی- مصنوعی و سیستم فازی عصبی تطبیقی و رگرسیون چندمتغیره (مطالعة موردی: حوضة آبخیز خرمآباد)
نویسندگان
چکیده مقاله:
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.
منابع مشابه
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 ...
متن کاملمدلسازی 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...
متن کاملمدلسازی 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...
متن کاملشبیه سازی فرآیند بارش- رواناب با استفاده از شبکه عصبی مصنوعی و سیستم فازی- عصبی تطبیقی (مطالعه موردی: حوزه آبخیز حاجیقوشان)
متن کامل
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...
متن کاملپیشبینی 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...
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 233- 243
تاریخ انتشار 2015-06-22
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023