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

مشخصات

عنوان:

تخمین رسوب دهی حوزه های آبریز با استفاده از شبکه های عصبی مصنوعی



گروه تخصصی:  علوم انسانی

سازمان مجری:  واحد استان کرمانشاه 

گروه پژوهشی: گروه هیدرولیک و منابع آب

پژوهشگران: 
تاریخ خاتمه:  آذر 1388

کارفرما: 

خروجی طرح: 
 
تلفن: 4-7294902-0831

نشانی سازمان مجری: کرمانشاه، بالاتر از میدان آیت اله کاشانی، خیابان شهید اشرفی اصفهانی، نبش خیابان شورا، صندوق پستی: 45
 

چکیده:

جریان رسوب مشابه جریان آبها از توزیعهای آماری مختلفی تبعیت می کنند و پارامترهای موثر زیادی در معادلات کمی و انتقال رسوب دخالت دارند از اینرو برآورد رسوب رودخانه ها یکی از مهمترین و مشکلترین مسایل میاشد که نقش بسیار مهمی را در طراحی سازه های هیدرولیکی دارد. همچنین برای کاهش اثرات زیانبار رسوب پر شده مخازن سطحی ذخیره آب مشکلات تصفیه آبهای قابل شرب برآورد میزان رسوبات نکته اصلی و اساسی محسوب می شود.
در این تحقیق هدف پیش بینی رسوب سیلابی رودخانه مرگ کرمانشاه با استفاده از شبکه های عصبی مصنوعی می باشد. شبکه عصبی پیشنهاد شده شامل ورودیهای بارش چهار ایستگاه باران سنجی منطقه، درصد رطوبت نسبی و درجه حرارت ماکزیمم و مینیمم محیط می باشند و خروجی شبکه دبی رسوب معلق روزانه رودخانه می باشد. پس از بررسی حالات مختلف برای بدست آوردن بهترین توپولوژی شبکه عصبی مشخص شد که یک شبکه عصبی با 13 گره و یک لایه مخفی کمترین خطای ممکن را تولید می کند. کنترل دقت محاسبات بوسیله محاسبه ضریب نیکویی برازش
R ، ریشه میانگین مربعات خطا RMSE، میانگین خطای مطلق MAE و حداکثر خطا ME صورت می گیرد.
محاسبات نشان می دهند که دقت شبکه عصبی برای تخمین رسوب سیلابی روزانه رودخانه فوق در حد مطلوبی می باشد. علاوه بر این استفاده از این شبکه های عصبی در مقایسه با سایر روشها برای برآورد رسوب معلق نیاز به اطلاعات کمتری داشته و همچنین زمان محاسبات نیز بسیار کمتر است. در نتیجه شبکه عصبی یک ابزار مناسب برای تخمین رسوب رودخانه می باشد.
در پایان این تحقیق از آنالیز حساسیت برای تعیین درجه اهمیت هر یک از گره های ورودی انجام می شود که میزان تاثیر هر یک از گره های ورودی در جواب نهایی شبکه را مشخص می کند. تحلیل حساسیت می تواند ما را برای حذف ورودیهای با درجه اهمیت کمتر راهنمایی کند که این عمل تاثیر ناچیزی در دقت شبکه داشته ولی کاهش قابل توجهی در حجم اطلاعات ورودی به شبکه و در نتیجه هزینه های آمار برداری خواهد داشت.



کلیدواژگان: شبکه های عصبی مصنوعی، رودخانه مرگ، پیش بینی رسوب

 
 
Title:

Application of Artificial Neural Networks in Predicting Sedimentary of Watershed



Abstract:

Sedimentary flows like water flow follows various statistical distributions. Many factors impact the sedimentary transfer and quantitative equations.
The estimation of rivers Sedimentary is one of the significant problems in designing hydraulic structures. Moreover this estimation is used in decreasing the harmful effects of Sediment in water reservoirs, purifying drinkable water, and so on.
The main purpose of this study is the prediction of flood Sedimentary in Merreq River in Kermanshah State using artificial neural networks. The rainfall of four stations, relative humidity percent, and maximum and minimum temperatures are the input of this suggested ANN. The output will be the daily amount of suspense sedimentary.
Scrutinizing various neural networks Topology, the best one was selected.
It becomes clear that a neural network with  
13 nodes at a hidden layer produces the least errors. Goodness of fit, Root means square error, Mean absolute error and Maximum error are used to control the accuracy of calculation.
The calculation shows that the accuracy of neural network meets an acceptable level of estimation of daily flood sediment. Moreover comparing with other methods this approach needs less information and is done in a short time. Consequently a neural network is a good device for estimation of river sediments.
A sensitivity analysis is done for determining the impact of each input node, which influence the final results. Sensitivity analysis leads us to omit less important input. This action, though has little effect on the network accuracy, decreases the amount of input information as well as the cost of data gathering.



Keyword(s): Artificial Neural Networks, Merreg River, Sediment predict