ورود
مقالات فارسیISIکنفرانسهاژورنالها

مقایسه مدل های شبکه عصبی مصنوعی و منحنی سنجه رسوب در شبیه سازی میزان رسوب معلق؛ مطالعه موردی حوزه آبخیز شاهرود

محل انتشار: مهندسی آبیاری و آب ایران، دوره: 7، شماره: 3
سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 295

فایل این مقاله در 15 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:
https://civilica.com/doc/888590

شناسه ملی سند علمی:

JR_WATER-7-3_003

تاریخ نمایه سازی: 15 تیر 1398

چکیده مقاله:

این پژوهش با هدف مقایسه کارآیی برخی مدل های شبیه­سازی میزان رسوب معلق شامل منحنی سنجه رسوب و شبکه عصبی مصنوعی و ارائه مدل بهینه بر اساس دبی جریان در حوزه آبخیز شاهرود و بر روی ایستگاه­های هیدرومتری گلینک، باغکلایه، لوشان و رجائی دشت انجام شد. به منظور شبیه­سازی میزان رسوب معلق از مدل منحنی سنجه رسوب یک خطی و مدل­های شبکه عصبی پرسپترون چند لایه و تابع پایه شعاعی بهره گرفته و سپس ارزیابی این مدل­ها با استفاده از ضریب NASH و RMSE انجام شد. نتایج حاصل از این پژوهش حاکی از آن است که در کلیه ایستگاه­های هیدرومتری مورد بررسی، مدل شبکه عصبی مصنوعی در مقایسه با مدل منحنی سنجه رسوب نتایج بهتری ارائه کرد. به طوری که مدل شبکه عصبی مصنوعی پرسپترون چند لایه با تابع تحریک سیگموئید در ایستگاه های گلینک  و رجایی­دشت به ترتیب با RMSE، 033/1 و 825/0 تن در روز و ضریب NASH، 84/0و 839/0 و این مدل با تابع تحریک تانژانت سیگموئید در ایستگاه­های باغکلایه و لوشان به ترتیب با RMSE، 799/0 و 883/0 تن در روز و ضریب NASH، 772/0 و 895/0 کارآیی بهتری در شبیه­سازی میزان رسوب معلق دارد. همچنین مقایسه نتایج حاصل از دو مدل شبکه عصبی مصنوعی نشان داد که شبکه­های MLPدر مقایسه با شبکه­های RBF از دقت بیشتری در شبیه سازی میزان رسوب معلق برخوردارند و تنها مزیت شبکه­های RBF زمان کمتر مورد نیاز برای آموزش است.

کلیدواژه ها:

واژه های کلیدی: پرسپترون چندلایه ، تابع پایه شعاعی ، شاهرود ، ضریب NASH ، منحنی سنجه رسوب

نویسندگان

صدیقه محمدی

پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان

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 :