تخمین ضریب روان آب رگبار در حوزه آبخیز بار نیشابور با استفاده از شبکه عصبی مصنوعی
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه تربیت مدرس - دانشکده منابع طبیعی و علوم دریایی
- نویسنده مینا جعفری
- استاد راهنما مهدی وفاخواه هیراد عبقری
- تعداد صفحات: ۱۵ صفحه ی اول
- سال انتشار 1390
چکیده
استفاده از روش های تجربی مختلف برای برآورد روان آب سطحی در حوزه های آبخیز فاقد ایستگاه هیدرومتری اجتناب ناپذیر است. یکی از پارامترهای مهم موجود در اغلب این روش ها ضریب روان آب است. با به دست آوردن دقیق ضریب روان آب سطحی، برآورد صحیح روان آب سطحی و دبی حداکثر سیلاب ها امکان پذیر می گردد. یکی از پرکاربردترین مدل ها در برآورد و پیش بینی پدیده های هیدرولوژیکی شبکه عصبی مصنوعی است که به دلیل مزیت هایی که نسبت به سایر روش ها دارد مبنای این تحقیق قرار گرفته است. به این منظور حوزه آبخیز بار اریه نیشابور انتخاب و داده های مربوط به 33 واقعه سیلاب در بین سال های آماری 1331 تا 1385 جمع آوری گردید. در این تحقیق برای پیش بینی ضریب روان آب رگبار از شبکه عصبی مصنوعی پرسپترون چند لایه استفاده شد و به منظور ارزیابی عملکرد توابع انتقال مختلف، کلیه شبکه-های مورد نظر پس از تعیین تعداد بهینه تکرار و نرون لایه پنهان با دو تابع سیگموئید و تانژانت هیپربولیک اجرا و با یکدیگر مقایسه شد. در مرحله اول شبکه با متغیرهایی که با روش تجزیه و تحلیل عاملی به عنوان متغیر مستقل انتخاب شده بودند، اجرا شد و در مراحل بعدی با در نظر گرفتن نقش هر یک از متغیرها از نظر هیدرولوژیکی، ترکیب های مختلفی از آن ها به عنوان ورودی به شبکه معرفی و اجرا شد. نتایج نشان داد که در مجموع عملکرد شبکه با تابع انتقال تانژانت هیپربولیک بهتر از سیگموئید بوده است. همچنین نتایج حاصل از شبکه های مختلف نشان داد که از میان کل ورودی های در نظر گرفته شده، متغیر چارک های شدت بارش، شاخص فی، مقدار متوسط بارش و یا چارک های مقدار بارش به عنوان ورودی شبکه برای پیش-بینی ضریب روان آب رگبار منجر به پاسخ قابل قبول تر و قابل اعتمادتری با مقدار مجذور میانگین مربعات خطای 0337/0 و حداکثر مقدار ضریب تبیین 98/0 خواهند شد. که این می تواند ناشی از دقت بالای داده های ورودی در قالب چارک ها و همچنین تاثیر هیدرولوژیکی هر یک از آن ها روی تولید روان آب باشد. به این ترتیب با استفاده از شبکه عصبی مصنوعی می توان به برآورد دقیق تر ضریب روان آب پرداخت.
منابع مشابه
تخمین ضریب رواناب رگبار با استفاده از سیستم استنباط فازی- عصبی تطبیقی (ANFIS) در حوزه آبخیز بار اریه نیشابور
The rainfall-runoff process and flooding are hydrological phenomena that are difficult to study due to the influence of different parameters. So far, different methods and models have been provided to analyze these phenomena. The purpose of this study is evaluation of adaptive neuro-fuzzy inference system (ANFIS) for storm runoff coefficient forecasting. To that end, Barariyeh watershed was cho...
متن کاملتخمین ضریب رواناب رگبار با استفاده از سیستم استنباط فازی- عصبی تطبیقی (anfis) در حوزه آبخیز بار اریه نیشابور
فرآیند بارش - رواناب و ایجاد سیلاب از پدیده های هیدرولوژیکی هستند که بررسی آنها به سبب تأثیرپذیری از پارامترهای مختلف، دشوار می باشد. تاکنون روش ها و الگو های مختلفی برای تحلیل این پدیده ها ارائه شده است. از این رو هدف این پژوهش ارزیابی شبکه عصبی-فازی تطبیقی در پیش بینی ضریب رواناب رگبار است. به این منظور حوزه آبخیز بار اریه نیشابور انتخاب و داده های مربوط به 33 واقعه در بین سال های آماری 1331 ...
متن کاملدینامیک ضریب روان آب در مقیاس رگبار در حوزه آبخیز بار نیشابور
استفاده از روش های تجربی مختلف برای برآورد روان آب سطحی در حوزه های آبخیز فاقد ایستگاه هیدرومتری اجتناب ناپذیر است. یکی از پارامترهای مهّم موجود در اغلب این روش ها ضریب روان آب است. با به دست آوردن دقیق ضریب روان آب سطحی و بررسی تغییرات آن در شرایط گوناگون، برآورد صحیح روان آب سطحی و دبی حداکثر سیلاب ها امکان پذیر می گردد. تحقیقات در زمینه بررسی ضریب روان آب و عوامل موثر بر آن عموماً در مقیاس های...
15 صفحه اولتخمین دبی بار معلق رسوب با استفاده از بهترین ساختار شبکه عصبی مصنوعی در حوزه آبخیز طالقان
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...
متن کاملمقایسه عملکرد دو تابع سیگموئید و تانژانت هیپربولیک شبکه عصبی مصنوعی در پیشبینی ضریب روانآب رگبار (مطالعه موردی: حوزه آبخیز بار اریه نیشابور)
متن کامل
تخمین دبی اوج سیلاب و حجم رواناب رگبار با استفاده از شبکه عصبی- فازی تطبیقی (مطالعه موردی: حوزه آبخیز کسیلیان)
Prediction of flood peak discharge and runoff volume is one of the major challenges in the management of watersheds. The present study was carried out to estimate event flood peak discharge and runoff volume using artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS) in Kasilian watershed, Iran. For this purpose, 15 rainfall characteristics were considered for 6...
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 @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه تربیت مدرس - دانشکده منابع طبیعی و علوم دریایی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023