شبیه‌سازی پیوسته بارش- رواناب با استفاده از شبکه‌های عصبی مصنوعی برمبنای انتخاب متغیرهای موثر ورودی با الگوریتم اطلاعات متقابل جزئی(PMI)

Authors

  • حسین فتحیان گروه علوم و مهندسی آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران
  • مهرداد شافعی‌زاده دانش‌آموخته کارشناسی ارشد مهندسی منابع آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران
Abstract:

آگاهی ازتوان طبیعی تولید رواناب درحوضه‌های آبریز یکی از نیازهای اساسی برای برنامه‌ریزی اصولی جهت بهره‌برداری بهینه از رواناب می باشد. از اینرو شبیه‌سازی بارش –رواناب در حوضه‌های آبریز از اهمیت زیادی برخوردار می‌باشد. در این مقاله به شبیه‌سازی پیوسته بارش-رواناب در حوضه سد مارون با شبکه های عصبی مصنوعی پرداخته شد تا توانایی و دقت این شبکه‌ در برآورد رواناب نیز ارزیابی گردد. با توجه با اینکه تعداد روزهای بارندگی در هر سال کمتر از روزهای غیر بارندگی می‌باشد بنابراین رواناب خروجی از حوضه ناشی از دو مکانیسم متفاوت می‌باشد. در زمانهای همراه با وقوع بارش و چند روز بعد از آن، رواناب خروجی از حوضه عمدتا به صورت سیلابهای با دبی زیاد و تداوم کم می باشد. ولی در اکثر روزهای سال که بارندگی وجود ندارد، رواناب خروجی بصورت جریان پایه با مقادیر دبی کم و با تداوم زیاد می‌باشد. بنابراین در این تحقیق سعی بر ارائه یک مدل بارش-رواناب دو ضابطه‌ای شامل مدل مربوط به روزهای بارانی و مدل مربوط به روزهای غیربارانی شده است. همچنین متغیر‌های ورودی موثر در دبی جریان در حوضه مارون با استفاده از الگوریتم اطلاعات متقابل جزیی (PMI) تعیین شده‌اند. مقایسه مقادیر شاخص‌های آماری بین مدل تک‌ضابطه‌ای و مدل دوضابطه‌ای نشان می‌دهد که دقت مدل دوضابطه‌ای در برآورد دبی جریان در ایستگاه ایدنک بیشتر از دقت مدل تک‌ضابطه‌ای می‌باشد. بطوری که ضریب ناش-ساتکلایف برای مدل تک‌ضابطه‌ای و دوضابطه‌ای به ازای مرحله آزمون شبکه به ترتیب برابر با 86/0 و 94/0 می‌باشد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

تاثیر پردازش متغیرهای ورودی شاخص بارش استاندارد در پیش‌بینی خشکسالی در شبکه‌های عصبی مصنوعی با استفاده از تبدیل موجک

خشکسالی یک رویداد طبیعی است که می‌تواند خسارات قابل توجهی را به زندگی بشر وارد سازد. پیش‌بینی خشکسالی نقش موثری را در مدیریت منابع آب ایفا می‌کند. در این تحقیق به‌منظور پیش‌بینی خشکسالی سه مدل ترکیبی از انواع شبکه‌های عصبی و تبدیل موجک ارائه شده است و سپس با استفاده از این مدل‌ها، شاخص بارش استاندارد (SPI) برای 12 ماه آینده در ایستگاه سینوپتیک یزد پیش‌بینی گردیده است. شبکه‌های عصبی مصنوعی توانا...

full text

پیش‌بینی شاخص کیفیت هوا برمبنای متغیرهای هواشناسی و مولفه‌های خودهمبسته با استفاده از شبکه عصبی مصنوعی

Background: Air Quality Index (AQI) quantifies the relationship between air quality and the level of health. The value of AQI may be predicted using neural network model for a day in advance, based on the meteorological variables and autocorrelation behavior of the index in Kermanshah, a city in western Iran. Methods: Data for air pollution and meteorological variables, collected during thre...

full text

شبیه سازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی(مورد: حوضه آبخیز فریدن)

سیل، یکی از پدیده‌های ویرانگر طبیعی است که پیش‌بینی آن از اهمیت بالایی برخوردار است و در این میان برآورد بارش- رواناب به دلیل تأثیرگذاری عوامل مختلف، دشوار است. در این پژوهش با استفاده از شبکه پرسپترون چند لایه(MLP)، قانون یادگیری پس‌انتشار خطا(BP)، الگوریتم لونبرگ- مارکوارت(LM) و معیارهای RMSE و R2 جهت کارایی مدل، 6 سناریو تعریف گردید. بررسی حالات مختلف نشان داد که بهترین مدل شبکه عصبی جهت شبی...

full text

مدل سازی بارش- رواناب روزانه با استفاده از شبکه های عصبی مصنوعی تحت ورودی های مختلف

هدف از این تحقیق بررسی توانایی سناریوهای مختلف شبکه های عصبی شامل شبکه های عصبی پرسپترون چند لایه(mlp) وشبکه های عصبی با پایه شعاعی(rbf) در مدل سازی فرآیند بارش- رواناب در مقیاس روزانه، که بطور عمده برای درک کنترل و مدیریت منابع آب مورد نیاز هستند، می باشد. تبدیل بارش- رواناب به علت تغییرات شدید زمانی و مکانی آن،یکی از پیچیده ترین مسائل در طبیعت می باشند، و وجود روابط قوی و غیرخطی میان متغیرها ...

مدل‌سازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی و شبکه فازی- عصبی تطبیقی در حوزه آبخیز کسیلیان

     Rainfall runoff modeling and prediction of river discharge is one of the important practices in flood control and management, hydraulic structure design and drought management. The present article aims to simulate daily streamflow in Kasilian watershed using an artificial neural network (ANN) and neuro-fuzzy inference system (ANFIS). The intelligent methods have the high potential for dete...

full text

انتخاب مناسب‌ترین ورودی‌ها برای مدل‌ شبکۀ عصبی مصنوعی با استفاده از الگوریتم جامعۀ مورچگان

یافتن مناسب‏ترین ورودی‏ها برای شبکۀ عصبی و همچنین تعداد مناسب ورودی برای آن یکی از چالش‏هایی است که همواره محققان با آن روبه‏رو هستند. اغلب، بهترین ساختار برای شبکۀ عصبی نیز به‏صورت آزمون و خطا مشخص می‏‏شود و درنهایت با تعریف چند ورودی خاص مدل‏های مختلفی تولید و بررسی می‏شوند. در این تحقیق به مدل‏سازی کیفی جریان رودخانۀ گادارچای با استفاده از شبکۀ عصبی مصنوعی پرداخته شده و دو مدل و برای هر مدل ...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 15  issue 2

pages  0- 0

publication date 2019-07-23

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023