برآورد بار رسوبی یکی از مهم­ترین مسائلی است که در مدیریت رودخانه ها و مخازن سدها و به طور کلی در پروژه های آبی اهمیت بسزائی دارد. تعداد روابط تجربی ارائه شده نشان می دهد هنوز روش تحلیلی یا تجربی مناسبی برای تخمین صحیح بار رسوب معلق پیشنهاد نشده است. در پژوهش حاضر، به منظور دستیابی به تخمینی نزدیک به واقعیت از میزان حمل رسوبات ایستگاه قرآن تالار بابل­رود، از سیستم استنتاج فازی- عصبی تطبیقی ( anf...

برآورد صحیح غلظت رسوبات رودخانه‌ها برای برنامه‌ریزی و مدیریت پروژه‌های منابع آب اهمیت دارد.روش­های مختلفیبرایتعیینارتباطبیندبیجریانومقداررسوبتوسعهیافته است.منحنی سنجهرسوب یکیاز متداول‌ترینروش‌هایبرآوردرسوبمعلقرودخانه‌هامی­باشد که با خطای زیادی همراه است.به­منظورتخمین‌بهترمیزانرسوببا منحنیسنجه،می‌توان ضرایباینمعادلهرابا روش­های هوش مصنوعی بهینه کرد.هدفاینتحقیقاستفادهازالگوریتمژنتیک برایبهینه­ساز...

    یکی از روش­های نوین در زمینه­ پیش­بینی­ فرآیندهای هیدرولوژیکی و ژئومورفولوژیکی  شبکه­های عصبی مصنوعی از مؤلفه­های هوش مصنوعی است که در جهت پیاده­سازی ویژگی­های شگفت انگیز مغز انسان در یک سیستم مصنوعی می­کوشند و ابزاری قدرتمند در زمینه­ی مدل­سازی و پیش­بینی پارامترهای ژئومورفولوژی­­اند که در این پژوهش جهت برآورد میزان رسوب حوضه­ رود ارس استفاده شده است. بدین منظور از آمار دبی، رسوب...

یکی از جنبه های حائز اهمیت در مدیریت محیط در ژئومورفولوژی کاربردی حل مشکل برآورد رسوب یک سیستم رودخانه ای می‏باشد. هدف این مطالعه ارزیابی عملکرد مقایسه ای دونوع شبکه عصبی مصنوعی (مدل ژئومورفولوژیکی و مدل غیر ژئومورفولوژیکی) و دو نوع مدل رگرسیونی (مدل توانی ومدل غیر خطی چندگانه) برای پیش بینی بار رسوب معلق حوضه اسکندری در حوضه آبریز زاینده رود می‏باشد. مدل‏ها براساس آمار 104 حادثه وقوع همزمان ثب...

تعیین میزان فرسایش خاک و بار رسوبی رودخانه عملاً کاری مشکل است؛ بنابراین روش های مختلفی برای آن ها پیشنهاد شده است. یکی از روش های نوین در حل مسائل مهندسی آب و همچنین برآورد رسوب معلق رودخانه ها، استفاده از شبکه عصبی مصنوعی است که با الگو برداری از شبکه مغز انسان، ضمن اجرای فرآیند آموزش، روابط درونی بین داده ها را کشف کرده و به موقعیت های دیگر تعمیم می دهد. هدف از انجام این تحقیق، بررسی کارآیی ر...

به دلیل مشکلات نمونه‎برداری و عدم دقّت کافی معادلات تجربی، سنجش و گزینش مناسب‎ترین روش‎های برآورد رسوبات بار کف، اهمّیّت زیادی دارد.هدف پژوهش حاضر، مقایسة کارآیی مدل‎های آماری شبکة عصبی مصنوعی و منحنی سنجة رسوب در برآورد رسوبات بار کف است؛ بدین منظور، ابتدا 5 ایستگاه هیدرومتری دارای بیشترین تعداد نمونه انتخاب شدند؛ سپس منحنی سنجة رسوب و مدل شبکة عصبی مصنوعی با 70% داده‌های آنها ساخته و ارزیابی دقّت...

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...

تعیین میزان فرسایش خاک و بار رسوبی رودخانه عملاً کاری مشکل است؛ بنابراین روش های مختلفی برای آن ها پیشنهاد شده است. یکی از روش های نوین در حل مسائل مهندسی آب و همچنین برآورد رسوب معلق رودخانه ها، استفاده از شبکه عصبی مصنوعی است که با الگو برداری از شبکه مغز انسان، ضمن اجرای فرآیند آموزش، روابط درونی بین داده ها را کشف کرده و به موقعیت های دیگر تعمیم می دهد. هدف از انجام این تحقیق، بررسی کارآیی ر...

رسوب گذاری در مخازن سدها با کاهش حجم موثر، کنترل سیلاب را با مشکل مواجه می نماید. بنابراین برآورد صحیح بار رسوبی در این مخازن بسیار حائز اهمیت می باشد. طی دهه های اخیر استفاده از انواع مدل های هوش مصنوعی در زمینه های کاربردی مختلف نتایج قابل قبولی از خود نشان داده است. در این تحقیق از داده های آماری ثبت شده در سد علویان استفاده خواهد شد. مدل های هوش مصنوعی شامل مدل پرسپترون چند لایه (mlp)، سیست...

برآورد سریع و صحیح دبی اوج به عنوان یکی از مباحث اصلی در مدیریت منابع آبی و سیلاب نقش اساسی در طراحی سازه های آبی و اقدامات بیو مکانیکی در حوضه های آبخیز دارد. به طوریکه یک برآورد صحیح آن نقش اساسی در موفقیت کار های اجرایی دارد. در این بررسی سعی شده با استفاده از روش هوش مصنوعی(ترکیب شبکه عصبی پرسپترون چند لایه و الگوریتم ژنتیک) دبی حداکثر رودخانه یلفان در محل ایستگاه هیدرومتری و رسوب سنجی یلفا...