مقایسه کارآیی مدلهای شبکههای عصبی مصنوعی و رگرسیون برای پیشبینی بار رسوب جریان مطالعه موردی حوضه آبخیز سمندگان
سال انتشار: 1390
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 198
فایل این مقاله در 21 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_GEP-22-4_002
تاریخ نمایه سازی: 20 اردیبهشت 1400
چکیده مقاله:
یک سیستم رودخانهای یک سیستم بازاست که از درگیر شدن ارتباطات مختلف و پیچیده شکل میگیرد. خصوصیات ذاتی حوضهها از یک سو و عوامل خارجی از سوی دیگر رفتارهای رودخانه را متاثر میسازد.وجود ارتباطات متقابل متعدد از جمله ارتباطات جریان ورسوب حمل شده وتاثیر عوامل ژئومورفولوژی حوضه و مدل سازی آن از اهمیت ویژه ای برخوردار است.در این مطالعه دونوع شبکه عصبی مصنوعی ژئومورفولوژیکی و غیر ژئومورفولوژیکی برای پیش بینی بار رسوب جریان رودخانه سمندگان طراحی گردید و نتایج آن با دو نوع مدل رگرسیونی ژئومورفولوژیکی و غیر ژئومورفولوژیکی مورد مقایسه قرار گرفت. نتایج طراحی شبکههای عصبی مبین کارآیی خوب شبکههای چند لایه ی پرسپترون با الگوریتم یادگیری پس انتشار خطا است. نتایج نشان داد که شبکه عصبی ژئومورفولوژیکی با ضریب تبیین ۸۶۲/۰ و مجذور میانگین مربعات خطای ۸۱۵/۱ در مقایسه شبکه عصبی غیر ژئومورفولوژیکی با ضریب تبیین ۸۲۷/۰و معیار خطای۰۳۱/۲ میزان رسوب جریان را بهتر پیشبینی میکند. نتایج ارزیابی مدلهای رگرسیونی مبین عملکرد ضعیفتر آنها در مقایسه با روش شبکه عصبی مصنوعی است به طوری که ضریب تبیین مدل رگرسیونی ساده غیر ژئومورفولوژیکی ۷۵۹/۰و معیار خطای ۳۹۵/۲ و ضریب تبیین مدل رگرسیونی ژئومورفولوژیکی برابر ۸۱۱/۰ با معیار خطای معادل ۱۴۲/۲ است. همچنین از مقایسه نتایج مدلهای مختلف چنین استنباط میشود زمانی که پارامترهای ژئومورفولوژیکی نظیر شاخص ناهمواری، شاخص گردی و شاخص تراکم زهکشی در مدل سازی وارد شوند نتایج ارزیابی آنها مناسبتر میشود.
کلیدواژه ها:
بار رسوب ، پیشبینی ، رودخانه سمندگان ، ژئومورفولوژی ، سیلاب ، شبکه عصبی مصنوعی ، مدل رگرسیونی ، مدل سازی