مدل pH رودخانه ها با استفاده از شبکه های عصبی مصنوعی

سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,556

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCEMI01_121

تاریخ نمایه سازی: 12 فروردین 1388

چکیده مقاله:

ارزیابی و پیش بینی پارامترهای زیست محیطی و آلاینده رودخانه ها، امروزه در بحث مهندسی و مدیریت رودخانه ها و مدیریت زیرساختهای منابع آب از اهمیت بسیاری برخوردار است. این پارامترها، مسائل بسیاری را منجر شده و بعنوان یکی از بزرگترین مشکلات بهره برداری از منابع آبهای سطحی در جهان مطرح می باشند. بدلیل پیچیدگی ذاتی مسائل و ضعف مدلهای فیزیکی در مدل کردن فرآیندها، امروزه استفاده از مدل شبکه عصبی بعنوان روشی توانمند رایج شده است. از مزیتهای مهم این روش، شناسایی ارتباط بین متغیرهای پدیده، بدون در نظر گرفتن فیزیک آن و کارکرد خوب آن در داده های همراه با خطا (نویز) در اندازه گیری می باشد. در این مقاله از شبکه های عصبی برای مدل کردن pH رودخانه ها استفاده شده و سری زمانی pH پیش بینی شده است. با داشتن اطلاعات گامهای زمانی گذشته و ترکیبات مختلف این گامها، مدلهایی ایجاد شده و در مورد کارایی، ترکیبات و ساختار مدلها بحث و بررسی شده است. در ادامه، نتایج مدلها با روش رگرسیونی مورد مقایسه قرار گرفته است. نتایج حاکی از برتری مدل شبکه عصبی بوده است.

نویسندگان

طاهر رجائی

عضو هیات علمی گروه عمران، دانشگاه قم

سیداحمد میرباقری

دانشیار دانشکده عمران، دانشگاه صنعتی خواجه نصیرالدین طوسی

سیامک بوداقپور

استادیار دانشکده عمران، دانشگاه صنعتی خواجه نصیرالدین طوسی

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 :
  • Rajaee, T., Mirbagheri, S.A., Zo un emat-Kerman i, M., Nourani, ...
  • Moatar, F., Fessant, F., Poirel, A., 1999. PH modeling _ ...
  • Haykin, S. (1994). Neural Networks: a comprehens ive foundation. MacMillan, ...
  • Recknagel, F., French, M., Harkonen, P., Yabunaka, K.I., 1997. Artificial ...
  • Masters, T., 1993. Practical neural network recipes in C++. San ...
  • Tokar, A.S., Johnson, P.A., 1999. Rainfall runoff modelling using artificial ...
  • نمایش کامل مراجع