ارزیابی معادلات برآورد رسوب در تعدادی از رودخانه های حوضه دریاچه ارومیه با استفاده از شبکه عصبی مصنوعی
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه لرستان - دانشکده کشاورزی
- نویسنده سیاوش فتح الهی
- استاد راهنما حسن ترابی پوده حجت الله یونسی امیرحمزه حقی آبی
- تعداد صفحات: ۱۵ صفحه ی اول
- سال انتشار 1393
چکیده
برآورد مقدار بار رسوبی که یک جریان مشخص، قادر به حمل آن است یکی از موضوعات اصلی تحقیقات رسوب میباشد. بنابراین برای انتخاب مناسب ترین فرمول، نیاز به ارزیابی معادلات برآورد رسوب برای رودخانه های مورد نظر می باشد. در این راستا ارزیابی معادلات برآورد رسوب در ایستگاههای آبسنجی: بابارود، بند، پل بوکان، پل قشلاق، تپیک، داشبند _ بوکان، دره پنبه دان، دیزج، صفاخانه و قبقبلو مورد مطالعه قرار گرفت است. در این تحقیق از 11 فرمول رایج برای برآورد انتقال رسوب در ایستگاههای فوق الذکر استفاده گردیده است. این فرمولها عبارتند از:1-میر-پیتر و مولر 2-اینشتین 3-بگنولد 4-انگلوند و هانسن 5-آکرز و وایت 6-یانگ 7-فان راین 8-وایف 9-ساماگا 10-فاضل 11-بگ با توجه به اینکه محاسبه دبی رسوب بر اساس روش های ذکر شده بصورت دستی بسیار وقت گیر وطولانی بوده، یک مدل کامپیوتری تهیه شد. درادامه، با آموزش از شبکه عصبی مصنوعی جهت برآورد بارکل رسوبی با استفاده از داده های صحرائی استفاده شده است. نتایج حاصل از این قسمت نشان می دهد که از شبکه عصبی نیز می توان به عنوان یک ابزار قدرتمند در تعیین بار رسوبی در رودخانه ها استفاده نمود. با توجه به ارزیابی معادلات رسوب و شبکه عصبی نتایج زیر بدست آمد: 1- نتایج حاصل از نرم افزار شبکه عصبی نشان می دهد که شبکه عصبی پرسپترون چند لایه با الگوریتم پس انتشار خطا، در ایستگاه صفاخانه رودخانه ساروق چای با ورودی دبی و سطح مقطع و خروجی دبی رسوب با 59 نرون در لایه پنهان و ضریب همبستگی 0/99 و rmse 1/007 بهترین نتیجه را در بین ایستگاه ها داشته است. 2- با توجه به نتایج معادلات رسوب ، از بین روابط، روش بگنولد با نسبت اختلاف (r) 44 درصد در بازه 0/5 الی 2 در ایستگاه بابارود برآورد نسبتاً خوبی داشته است. واژه های کلیدی: بار کل، شبکه پرسپترون چند لایه، شبکه عصبی مصنوعی، نسبت اختلاف (r).
منابع مشابه
برآورد میزان رسوب حوضه رود ارس با استفاده از شبکه های عصبی مصنوعی (مطالعه موردی: زیرحوضه دره رود)
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...
متن کاملبررسی کارایی شبکه عصبی مصنوعی در برآورد بار معلق رودخانه با استفاده از داده های دسته‌بندی‌شده
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...
متن کاملپیشبینی تراز آب دریاچه ارومیه با استفاده از روشهای سری زمانی، شبکه عصبی مصنوعی و شبکه عصبی- موجکی
دریاچه ارومیه دومین دریاچه شور جهان است و با توجه به معیارهای اجتماعی- اقتصادی و زیست محیطی نقش مهمی در منطقه شمالغرب ایران دارد که در سالهای اخیر با مشکلاتی مواجه شده است و به دلیل خشکسالی، استفاده بیش از حد آبهای سطحی و ساخت سدها تراز سطح آب آن کاهش یافته است. یکی از فاکتورهای مهم که در مدیریت صحیح در هر زمینهای، تأثیر دارد، داشتن یک دید و نگرش مناسب از اتفاقات آینده در آن زمینه...
متن کاملبرآورد فراسنج های مؤثر در دبی رودخانه با استفاده از شبکه های عصبی مصنوعی در حوضه آبی دهگلان-کردستان
کمبود بارش در یک دوره می تواند سبب کاهش تغذیه شود که به دنبال آن کاهش جریان سطحی و افت آب های زیرزمینی را سبب می شود. با توجه به اهمیت منابع آب در زندگی بشر, ایجاد تنش در دستیابی به منابع پایدار و قابل اطمینان اهمیت زیادی در میزان توسعه و پیشرفت جامعه دارد. این تنش ها می تواند به دلایل طبیعی و یا استفاده نادرست و غیر معقولانه از منابع آبی باشد و همراهی این دو عامل با هم سبب تشدید این تنش ها می ...
متن کاملبرآورد رواناب حوضه بار اریه با استفاده از مدل‌های WetSpa و شبکه عصبی مصنوعی
برآورد صحیح رواناب حوضه نقش بسیار مهمی در مدیریت آن دارد. تا به حال محققین زیادی از مدل‌های یکپارچه، توزیعی و هم‌چنین از روشهای هوشمند مصنوعی به‌منظور برآورد رواناب حوضه استفاده نمودند. در تحقیق حاضر برای برآورد آبدهی حوضه بار اریه با مساحتی معادل با 112 کیلومتر مربع و متوسط بارش سالانه 72/306 میلی‌متر از دو مدل توزیعی WetSpa و مدل هوشمند شبکه عصبی مصنوعی ANN استفاده گردید. به‌منظور اجرای مدل ...
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 لرستان - دانشکده کشاورزی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023