برای اطلاع از آخرین مقالات علمی و اخبار کرونا(COVID-19) کلیک کنید

مشخصات مقاله

عنوان نشریه: 
 
اطلاعات شماره: 
بهار 1392 , دوره  2 , شماره  3 ; از صفحه 13 تا صفحه 25 .
 
عنوان مقاله: 

مدل سازي بار رسوب کل رودخانه ها با استفاده از شبکه هاي عصبي مصنوعي

 
نویسندگان: 
 
آدرس:  
* گروه مهندسی، دانشگاه پیام نور، ایران
 
چکیده: 

برآورد بار رسوب کل رودخانه ها از مسائل مهم و کاربردي در مديريت و برنامه ريزي منابع آب است. غلظت رسوب مي تواند به روش هاي مستقيم و يا غيرمستقيم محاسبه شود که معمولا روش هاي مستقيم پرهزينه و زمان بر هستند. همچنين بار رسوب کل مي تواند به کمک روابط مختلف انتقال رسوب محاسبه شود، ليکن به طور معمول کاربرد اين روابط نياز به شرايط معيني داشته و به علاوه در بيشتر موارد نتايج حاصل از آن ها با يکديگر و با مقادير اندازه گيري شده متفاوت است. هدف از اين پژوهش ارائه روشي بر پايه شبکه هاي عصبي مصنوعي (ANN) در تخمين بار رسوب کل بود. بدين منظور از دو نوع شبکه عصبي پرسپترون چند لايه (MLP) و توابع پايه شعاعي (RBF) و 200 نمونه، استفاده شد. 75 درصد از داده ها براي آموزش و 25 درصد براي آزمون شبکه ها در نظر گرفته شدند. متغيرهاي ورودي مدل ها شامل سرعت متوسط جريان، شيب کف آبراهه، عمق متوسط، عرض آبراهه و قطر ميانه ذرات رسوب و خروجي مدل، غلظت رسوب بود. متغيرهاي ورودي مرحله به مرحله به شبکه ها اضافه شدند و هر بار نتايج ارزيابي شد تا مناسب ترين مدل تعيين شود. سپس نتايج حاصل از مدل هاي ANN با پنج معادله معروف انتقال رسوب مقايسه شدند. شاخص هاي آماري نشان داد که دقت شبکه هاي عصبي به ويژه مدل MLP در تخمين بار رسوب کل با ضريب همبستگي 0.96 بيش از ساير مدل هاست. همچنين مشخص شد که براي افزايش دقت مدل نياز به آموزش آن با هر دو نوع داده هاي هيدرولوژيک و رسوب است. رابطه Ackers و White در برآورد مقدار بار رسوب کل بسيار بيش برآورد و ساير روابط، کم برآورد بودند. نتايج اين پژوهش نشان داد که مدل هاي ارائه شده بر پايه شبکه هاي عصبي با مقادير رسوب کل مشاهده شده هم خواني بيشتري دارند و بويژه شبکه MLP مي تواند مقدار رسوب را در نقاط پيک به خوبي برآورد نمايد.

 
کلید واژه: 

 
موضوعات مرتبط: 
 
ارجاعات: 
 
 
مقالات نشریه ای مرتبط: 
 
مقالات همایشی مرتبط: 
 

  بازدید یکساله 240
 
 
آخرین های بلاگ
ورود به بلاگ مرکز اطلاعات علمی