کاربرد مدلهای شبکه عصبی مصنوعی و مدل M5 در شبیه سازی جریان ماهانه(مطالعه موردی: رودخانه استور)

Authors

  • الهام رفیعی ساردوئی دانشجوی دکتری آبخیزداری، دانشکده منابع طبیعی دانشگاه تهران، تهران، ایران
  • علی آذره دانشجوی دکتری بیابان‌زدایی، دانشکده منابع طبیعی دانشگاه تهران، تهران، ایران
Abstract:

    مدیریت موثر منابع آبی در یک رودخانه نیازمند شناخت صحیح و کامل از فرآیندهایی است که در آن رخ می‌دهد. روش­های هوش مصنوعی می­توانند کارایی بالایی جهت شبیه­سازی جریان رودخانه در مقیاس­های مختلف زمانی و مکانی داشته باشند. در این مطالعه از روش شبکه عصبی مصنوعی و مدل نمودار درختی M5 جهت شبیه‌سازی ماهانه جریان رودخانه در ایستگاه استور استفاده گردید. جهت شبیه‌سازی داده­های دبی جریان ماهانه در این ایستگاه, از داده­های دبی ثبت شده در چهار ایستگاه هیدرومتری بالادست و یک ایستگاه اقلیمی استفاده گردید. جهت مقایسه نتایج دو روش شبکه عصبی مصنوعی و مدل M5، از دو معیار مجذور میانگین مربعات خطا و ضریب تبیین استفاده گردید. نتایج نشان داد شبکه عصبی مصنوعی با ساختار یک لایه مخفی با چهار نرون کارایی بیشتری نسبت به مدل M5 دارد. خطای مدل شبکه عصبی مصنوعی 40/25 با ضریب همبستگی 93/0 و خطای مدل M5 18/28 با ضریب همبستگی 92/0 به دست آمد. با افزایش نرون‌های محاسباتی در لایه مخفی کارایی شبکه عصبی مصنوعی کاهش یافت. 

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

مقایسه کارآیی مدل هیدرولوژیکیWetSpa شبکه عصبی مصنوعی و سیستم عصبی- فازی انطباقی ، در شبیه سازی دبی جریان رودخانه (مطالعه موردی: حوضه آبخیز بالوخلوچای استان اردبیل)

پوشش گیاهی حوضههای آبخیز دارد. در سالهای اخیر، مدلهای متنوع کامپیوتری و روشهای هوشمند عصبیجهت تخمین و پیشبینی رواناب و تأثیرات متعدد آن مورداستفاده قرارگرفتهاند. در این تحقیق، عملکرد مدلدر شبیهسازی بارش- رواناب و تخمین دبی روزانه ANFIS و ANN و دو مدل هوشمند WetSpa هیدرولوژیکیحوضه آبخیز بالوخلوچای موردبررسی قرار گرفت. دادههای موردنیاز شامل اطلاعات مربوط به مدل رقومی ارتفاع،نقشههای کاربری اراضی و...

full text

شبیه سازی و پیش بینی جریان رودخانه ها با استفاده از شبکه عصبی و مدل فوریه

مقاله حاضر به بررسی نحوه عملکرد شبکه های عصبی mlp در ارتباط با خروجی مدل فوریه، fsam، می پردازد. مدل fsam که مدل شبیه ساز بارش است، تحلیل مدل های کلاسیک را در قلمرو فرکانس، که توسعه نظریه طیفی فرآیندهای متداول نظیر طیف الگوهای arima را در درون خود دارد، ارائه می دهد. کاربرد همزمان شبکه های عصبی mlp و مدلfsam، امکان پیش بینی جریان ماه (i) ام را در ارتباط با پیش بینی بارش همان ماه، میسر می سازد. ...

full text

پیش‌بینی جریان روزانه رودخانه اهرچای با استفاده از مدل قوانین M5 و مقایسه آن با شبکه‌های عصبی مصنوعی المانی (ENN)

برآورد صحیح آبدهی رودخانه‌ها یکی از موارد مهم در پیش‌بینی خشکسالی، سیلاب، طراحی سازه­‌های آبی، بهره‌برداری از مخازن سدها و کنترل رسوب می‌باشد. از این‌رو متخصصان علوم مهندسی آب جهت برآورد دقیق جریان، از روش‌های هوشمند مانند شبکه‌های عصبی مصنوعی و روش‌های مختلف داده‌کاوی بهره گرفته‌اند. در این مطالعه، جهت پیش­بینی جریان روزانه رودخانه اهرچای، از روش­های شبکه عصبی مصنوعی المانی (ENN) و قوانین درخت...

full text

مقایسه کارآیی مدل هیدرولوژیکیwetspa شبکه عصبی مصنوعی و سیستم عصبی- فازی انطباقی ، در شبیه سازی دبی جریان رودخانه (مطالعه موردی: حوضه آبخیز بالوخلوچای استان اردبیل)

پوشش گیاهی حوضههای آبخیز دارد. در سالهای اخیر، مدلهای متنوع کامپیوتری و روشهای هوشمند عصبیجهت تخمین و پیشبینی رواناب و تأثیرات متعدد آن مورداستفاده قرارگرفتهاند. در این تحقیق، عملکرد مدلدر شبیهسازی بارش- رواناب و تخمین دبی روزانه anfis و ann و دو مدل هوشمند wetspa هیدرولوژیکیحوضه آبخیز بالوخلوچای موردبررسی قرار گرفت. دادههای موردنیاز شامل اطلاعات مربوط به مدل رقومی ارتفاع،نقشههای کاربری اراضی و...

full text

بررسی عملکرد شبکه عصبی مصنوعی در پیش‌بینی جریان رودخانه (مطالعه موردی: حوضه قره آغاج استان فارس)

In order to river flow forecasting in catchments area in during many years are invented different methods that their efficiency is confirmed. One of these simulation models is neural network that it can draw the existence of truth together with considerable attention. In this research in order to Discharge simulation is investigated meteorological parameters effects on Ghare Aghaj river flow. F...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 23  issue 1

pages  53- 62

publication date 2016-09-20

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