ارزیابی و مقایسه روش شبکه عصبی مصنوعی و نرم افزارHEC-HMS در شبیه سازی آبنمود بارش- رواناب در حوضه آبخیز معرف کسیلیان

سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 50

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_WEJMI-10-35_006

تاریخ نمایه سازی: 28 بهمن 1402

چکیده مقاله:

فرایند بارش- رواناب یک پدیده­ی کاملا" پیچیده و غیرخطی در آبشناسی و منابع آب می­باشد. در سالهای اخیر، شبکه های عصبی مصنوعی کاربرد گسترده­ای را در شبیه­سازی روابط غیرخطی و پیچیده مانند رابطه­ی بارش-رواناب پیدا کرده است. دراین تحقیق، به منظور شبیه­سازی آبنمود بارش-رواناب در حوضه­ی آبخیز معرف کسیلیان از روش شبکه­ی عصبی مصنوعی (با ساختار۷-۱۰-۹) و نرم­افزار HEC-HMS استفاده گردید. به منظور آموزش بهتر نرم افزار شبکه­ی عصبی مصنوعی داده های بارندگی بر اساس الگوی زمانی، مطابق با توزیع بارندگی هاف، به چهار گروه تقسیم شدند. به­طورکلی نتایج این تحقیق نشان دادند که محدوده­ی قدرمطلق درصد خطای نسبی فراسنج­های QP، TP، Tb، ۷۵w،۵۰w، ۵۰T و ۷۵T شبیه سازی شده به وسیله­ی شبکه عصبی به ترتیب ۹۷/۵۱-۰۲/۰، ۲۳/۴۱- ۵۵/۰، ۰۷/۵۴- ۲۶/۰، ۶۲/۲۰۲- ۲۳/۰، ۸۸/۶۹- ۵۲/۰، ۰۷/۸۲- ۲۱/۲ و ۷۶/۵۷- ۴۲/۲ می باشند، در حالی­که با شبیه سازی به وسیله­ی نرم­افزار HEC-HMS این حدود به ترتیب ۵۳/۷۵۶- ۵۸/۰، ۲۵۰-۰، ۱۸/۱۴۱-۰، ۵۷۵-۸۴/۲، ۸۶/۱۶۷-۹۳/۰، ۳۵۰-۳۳/۳ و ۶۷/۲۶۶-۲ محاسبه شده­اند. با توجه به درصد خطای نسبی مربوط به فراسنج­های خروجی هر واقعه می توان نتیجه گرفت که شبکه­ی عصبی در اکثر موارد تمامی فراسنج­ها و شکل کلی آبنمود را به­خوبی و با خطای ناچیزی نسبت به نرم افزار HEC-HMS شبیه سازی نموده است، البته در بعضی موارد، نرم افزار HEC- HMS توانسته است که شبیه سازی بده اوج آبنمود، زمان پایه و شکل کلی آن را به خوبی، یا به ندرت دقیقتر از شبکه­ی عصبی انجام دهد.

کلیدواژه ها:

آبنمود بارش- رواناب ، شبکه ی عصبی مصنوعی ، مدل HEC-HMS

نویسندگان

فرشید صف شکن

دانشگاه آزاد اسلامی، واحد داریون، باشگاه پژوهشگران جوان و نخبگان، داریون، ایران.

نادر پیرمرادیان

استادیار گروه مهندسی آب، دانشکده کشاورزی دانشگاه گیلان، رشت

رضا افشین شریفان

گروه سازه های آبی، واحد شیراز،دانشگاه آزاد اسلامی،شیراز، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • جهانگیر، ع.، رائینی، م.، احمدی، م. ض. و اکبرپور، ا. ...
  • گزارش های آماری حوضه آبخیز معرف کسیلیان از سال آبی ...
  • منهاج م. ب. ۱۳۸۶. مبانی شبکه های عصبی. جلد اول(هوش ...
  • Antar, M.A., Elassiouti, I., and Allam, M.N. ۲۰۰۶. Rainfall-runoff modelling ...
  • Aytek, A., and Alp, M. ۲۰۰۸. An Application of artificial ...
  • Department of Civil Engineering National Institute of Technology, Rourkela.p:۴۰ ...
  • Firat, M., and Gungor, M. ۲۰۰۷. River flow estimation using ...
  • Harun, S., Ahmat, N.I., and Kassim, A.H.M. ۲۰۰۲. Artificial neural ...
  • Huff, F.A. ۱۹۶۷. Time distribution of rainfall in heavy storms. ...
  • Jain, A.K., Mao, J., and Mohiuddin, k. m. ۱۹۹۶. Artificial ...
  • Jy, W.M., Han, j., Annambhotla, S. and Bryant, S. ۲۰۰۵. ...
  • Kim, M.S., Shim, S.B., and Yeon, G.B. ۲۰۰۰. The rainfall ...
  • Kumar, P., and Singh, A. ۲۰۱۰. Rainfall- runoff modeling of ...
  • Pan, T.Y., and Wang, R.Y. ۲۰۰۵. Using recurrent neural networks ...
  • Shoo, G.B., and Ray, C. ۲۰۰۶. Flow forecasting for a ...
  • Simonovic, S.P., and Ahmad, S. ۲۰۰۵. An artificial neural network ...
  • Singh, V.P., and Woolhiser, D.A. ۲۰۰۲. Mathematical modelling of watershed ...
  • Sohail, A., Watanabe, K., and Takeuchi, S. ۲۰۰۸. Runoff analysis ...
  • Tayfur, G., and Moramarco, T. ۲۰۰۷. Forecasting flood hydrographs at ...
  • Tokar, A.S. and Markus, M. ۲۰۰۰. Precipitation-Runoff Modelling Using Artificia ...
  • Tokar, A.S., and Johnson, P.A. ۱۹۹۹. Rainfall-runoff modelling using artificial ...
  • نمایش کامل مراجع