نتایج جستجو برای: پیش بینی جریان رودخانه
تعداد نتایج: 138009 فیلتر نتایج به سال:
در این تحقیق توانایی مدل های شبکه عصبی مصنوعی جهت شبیه سازی رفتار هیدرولوژیکی آب در حوزه های آبخیز مورد بررسی قرار گرفته است. هدف اصلی تحقیق بررسی کاربرد انواع مختلف شبکه های عصبی مصنوعی جهت شبیه سازی جریان در یک حوزه آبخیز با چند ایستگاه هیدرومتری و پیش بینی بهنگام جریان های سیلابی در پایین دست بوده است. منطقه مورد بررسی قسمت فوقانی رودخانه درونت (derwent) می باشد که یکی از شاخه های اصلی رودخا...
در این پایان نامه ابتدا با استفاده از شبکه عصبی پرسپترون چند لایه با ساختارهای بهینهی حاصل شده از سعی و خطا جریان متوسط ماهانه حوزه لیقوان در قالب مدل بارش-جریان محاسبه شده است. سپس، از مدل نروفازی (anfis) به منظور بهبود عملکرد مدلهای آموزشی بهره گرفته شده است. شایان ذکر است در مدل انفیس تعیین ساختار فازی اولیه نقش مهمی را ایفا مینماید؛ در این راستا روشهای کلاسه بندی متداول شاملfuz...
امروزه یکی از مهمترین مسائل جهت مدیریت سیلاب، پیش بینی جریان رودخانه ها می باشد. جلوگیری از صدمات اقتصادی و جانی ناشی از سیلاب یکی از مهمترین دستاوردهای پیش بینی صحیح جریان می باشد. فاکتورها و عوامل مختلفی بر روی دبی رودخانه تاثیر گذار است که تحلیل این پدیده را مشکل می سازند. مدلهای فیزیکی-مفهومی، رگرسیونی و سری های زمانی از معمولترین روشهای تحلیل جریان رودخانه می باشند در این تحقیق با استفاده ...
یکی از روشهای نو ظهور در حل مسایل مهندسی جهت مدل سازی سیستم هایی که دارای پیجیدگی زیاد یا عدم صراحت بوده و یا داده های کافی از آنها موجود نیست، استفاده از تئوری مجموعه های فازی از جمله سیستم می باشد. مزیت اصلی این تکنیک نسبت به استنتاج فازی روش های رایج، این است که این سیستم بر اساس قواعد اگر- آن گاه بنا نهاده شده است و قادر به تعیین ارتباط بین متغیرهای ورودی و خروجی با استفاده از قواعد مزبو...
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. ...
پیش بینی دقیق جریان رودخانه در طراحی، بهره برداری و برنامه ریزی علمی منابع آب از اهمیت بسزایی برخوردار است. همین مساله موجب شده تا محققان تحقیقات زیادی در این خصوص انجام دهند. جدا از اینکه چه روشی جهت مدل سازی مورد استفاده قرار گیرد، عملکرد هر مدل، شدیداً تحت تاثیر داده-های تصادفی بوده و این مساله موجب عدم تطبیق مدل با پدیده واقعی می گردد. با توجه به این حقیقت که شناسایی روابط علت و معلولی میسر ...
یکی از روشهای نو ظهور در حل مسایل مهندسی جهت مدل سازی سیستم هایی که دارای پیچیدگی زیاد یا عدم صراحت بوده و یا داده های کافی از آنها موجود نیست، استفاده از تئوری مجموعه های فازی و شبکه عصبی مصنوعی می باشد. مزیت اصلی این تکنیک ها نسبت به روش های رایج این است که در مدت زمان نسبتاً کوتاهی قادر به بررسی تأثیر انواع پارامترهای در دسترس، بر فرآیند مورد بررسی می باشند بدون آنکه در هر مرتبه نیاز به یافتن...
مدلهای مفهومی بر مبنای هوش مصنوعی، اغلب برای پیش بینیهای کوتاه مدت و میان مدت هیدورلوژیکی به کار رفته اند. در این مقاله با استفاده از مفهوم تولید مجموعه ای از پیش بینی ها1 (esp) و تفکیک مدلسازی برای متغیرهای اقلیمی و هیدرولوژیکی، از مدلهای مفهومی برای پیش بینی بلندمدت حجم جریان رودخانه زاینده رود در محل ورودی به سد زاینده رود استفاده می شود. سیستم استنتاج فازی برای پیش بینی بارش فصلی به صور...
خشکسالی آب شناختی با اثرات دورههای کمبود بارش(شامل باران، برف و غیره) بر منابع آبهای سطحی و زیرسطحی(جریان رودخانه، تراز دریاچه و مخازن آب و آب زیرزمینی) در ارتباط میباشد. فراوانی و شدت خشکسالی آبشناختی اغلب در مقیاس حوضه رودخانه و آبخیز تعریف میگردد. شاخصها و روش های گوناگونی برای توصیف خشکسالی آب شناختی معرفی شده اند. در این بررسی، یک روششناسی برای توصیف شدت خشکسالیهای آبشناختی استفا...
نمودار تعداد نتایج جستجو در هر سال
با کلیک روی نمودار نتایج را به سال انتشار فیلتر کنید