مدلسازی منطقهای دبی‌های اوج در زیر حوزه‌های آبخیز سد سفیدرود با استفاده از شبکه عصبی مصنوعی
نویسندگان
چکیده مقاله:
The model in this research was created based on the Artificial Neural Network (ANN) and calibrated in the Sefid-rood dam basin (excluding Khazar zone). This research was done by gathering and selecting peak flows of hydrographs from 12 sub basins, the concentration time of which was equal to or less than 24 hours and was caused only by rainfall. From all the selected sub basins, totally 661 hydrographs were prepared and their peak flows data wes used to make prediction model. The input variables of the model consisted of the depth of daily flooding rainfalls, and so the five days before rainfall of every peak flow, the area of sub basins, the main stream length, the slope of 10-85 percent of main stream, the median height of sub basins, the area of geological formations and rock units, classified at three hydrological groups of I, II, III, the base flow, and output variable was only peak flow. By using Feed Forward Artificial Neural Network with training method of back propagation error the function approximation of inputs to output was created by passing the three processes of training (learning), testing and validation. So based on that data and variables, the Multivariable Linear Regression model was created. The comparison of observed peak flows, based on validation data package, showed that the statistical parameters of (R2) coefficient and Fisher’s test parameter coefficient (F) for ANN model and MLR respectively were 0.84, 33.66 and 0.33, 3.60, indicating the superiority of ANN to traditional methods.
منابع مشابه
مدلسازی منطقه ای دبی های اوج در زیر حوزه های آبخیز سد سفیدرود با استفاده از شبکه عصبی مصنوعی
مدل مورد بحث در این تحقیق با استفاده از شبکه عصبی مصنوعی ساخته شده و در حوزه آبخیز سفید رود (ناحیه غیر خزری) واسنجی شده است. انجام این تحقیق مبتنی بر جمع آوری و انتخاب آبنمودهایی فقط با منشأ بارندگی در 12 زیر حوزه با زمان تمرکز برابر و یا کمتر از 24 ساعت بوده است. از کل زیر حوزه های انتخابی به تعداد 661 آبنمود به منظور استفاده از دبی اوج آنها برای ساخت مدل پیش بینی، انتخاب گردیده است. متغیرهای ...
متن کاملمدلسازی 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...
متن کاملتحلیل منطقهای بار رسوب معلق با استفاده از روش رگرسیون مؤلفههای اصلی در حوضة آبخیز سفیدرود
رسوب ناشی از فرسایش خاک به عنوان مهم‌ترین نمایة تخریب اراضی، چالشی مهم در بحث توسعۀ پایدار و تهدیدی بر زیست بوم‌ها تلقی می‌شود. لذا برآورد معتبر رسوب خروجی از آبخیزها بسیار حائز اهمیت می‌باشد. گستردگی آبخیزها و کمبود ایستگاه‌های سنجش رسوب باعث شده است تا از روش‌های تحلیل منطقهای جهت برآورد بار رسوب معلق در آبخیز فاقد و یا کمبود آمار استفاده شود. هدف از این تحقیق تحلیل منطقهای بار رسوب معلق با...
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 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 11 شماره 1
صفحات 25- 40
تاریخ انتشار 2007-04
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