آمار
| تعداد نشریات | 43 |
| تعداد شماره‌ها | 1,225 |
| تعداد مقالات | 15,038 |
| تعداد مشاهده مقاله | 50,581,687 |
| تعداد دریافت فایل اصل مقاله | 13,671,522 |
تخمین زمانی و مکانی بار معلق رودخانه آجی چای با استفاده از زمین آمار و شبکه عصبی مصنوعی | ||
| دانش آب و خاک | ||
| مقاله 7، دوره 21، شماره 4، آذر 1390، صفحه 93-104 اصل مقاله (285.77 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| سمیرا طلوعی* ؛ علی حسین زاده دلیر؛ احمد فاخری‌فرد؛ فرزین سلماسی | ||
| دانشکده کشاورزی دانشگاه تبریز | ||
| چکیده | ||
| پدیده انتقال رسوب در رودخانهها از پیچیدهترین مباحث مهندسی رودخانه بوده و همواره مورد توجه کارشناسان و مهندسین آب میباشد. یکی از مشکلات عمده که سازههای هیدرولیکی بنا شده در یک رودخانه را تهدید میکند مسأله انتقال و انباشت رسوبات میباشد. لذا ارائهی راهکارهای نوین جهت برآورد دقیق بار معلق عبوری از مقاطع مختلف رودخانهها در مقیاسهای زمانی مختلف، نقش بسزایی در پیشبرد صحیح مطالعات مهندسی رودخانه خواهد داشت. نظر به اینکه آماربرداری رسوب معلّق در اکثر ایستگاههای رسوب سنجی کشور در مقیاس زمانی روزانه و به صورت نامنظّم انجام میپذیرد در صورت نیاز به تخمین رسوبات معلق ماهانه در یک مقطع مشخص از رودخانه، لازم است این برآورد با استفاده از مدلهای زمانی و مکانی دقیقتر انجام پذیرد. در تحقیق حاضر با استفاده از شبکه عصبی مصنوعی و علم زمین آمار و با ادغام آنالیز سریهای زمانی با آنالیز سریهای مکانی به ارائه یک مدل جامع، جهت تخمین بار معلق ماهانه در طول رودخانه آجیچای اقدام گردیده است. بدین منظور با استفاده از شبکه عصبی مصنوعی اقدام به داده سازی منطقی در مقیاس زمانی ماهانه نموده و به وسیله تخمینگرهای تک پارامتری کریجینگ و چند پارامتری کوکریجینگ با منظور نمودن دبی جریان به عنوان پارامتر کمکی، مقدار بار معلق رسوبی ماهانه، در طول رودخانه آجی چای برآورد گردیده است. نتایج نشان دادند ضمن معتبر بودن هر دو مدل کریجینگ و کوکریجینگ در منطقه مورد مطالعه روش کوکریجینگ در مقایسه با روش کریجینگ در برآورد مکانی بار معلق ماهانه نتایج بهتری را ارائه میدهد. | ||
| کلیدواژه‌ها | ||
| آجیچای؛ بارمعلق؛ برآورد مکانی؛ زمین آمار؛ شبکه عصبی مصنوعی | ||
| مراجع | ||
|
اسلام پورف، 1375. بهینه سازی چاهک های مشاهداتی منطقه نکا به روش کریجینگ. پایاننامه کارشناسی ارشد. دانشکده کشاورزی. دانشگاه تهران. اعلمی م، نورانی و، نظم آرا ح، 1388. قابلیت شبکه عصبی مصنوعی جهت مدل سازی چند ایستگاهه بار معلق در مقایسه با روش منحنی رسوب. مجله دانش آب و خاک ، جلد 1/19 شماره 2 . صفحههای 45 تا 55. حسنی پاک ع، 1377. زمینآمار(ژئواستاتیستیک). انتشارات دانشگاه تهران. شفاعی بجستان م، 1377. هیدرولیک رسوب. انتشارات دانشگاه شهید چمران اهواز. مدنی ح، 1369. مبانی زمینآمار. انتشارات دانشگاه صنعتی امیرکبیر. منهاج م ب،1384. مبانی شبکه عصبی مصنوعی(هوش محاسباتی). انتشارات دانشگاه صنعتی امیر کبیر، چاپ سوم. نورانی و، طالب بیدختی ن، عابدینی م ج، رخشنده رو غ ر، 1384. تخمین بار رسوبی معلق با استفاده از زمینآمار، مطالعهی موردی تلخهرود. مجلهی تحقیقات منابع آب ایران، سال اول شماره 2. صفحههای 42 تا 50. Abtew W, Obey SJ and Shih G, 1993. Spatial analysis for monthly rainfall in south Florida. Water Resourses Bulletin 29:179-188.
Alp M and Cigizoglu HK, 2005. Suspended sediment load simulation by two artificial neural network methods using hydrometeorological data. J Environmental Modeling Software 22:2-13.
Bray D and Xie H, 1993. A regression method for estimating suspended sediment yield for ungauged watersheds in Atlantic, Canada. J Civil Engineering 20:82-87.
Cigizoglu HK and Alp M, 2006. Generalized regression neural network in modeling river sediment yield. J Advances in Engineering Software 37: 63-68.
Isaaks EH and Srivastava RM, 1989. Applied Geostatistics, OxfordUniversity.
Li Z, Zhang Y, Schilling K and Skopec M, 2005. Cokriging estimation of daily suspended sediment loads. J Hydrology 327:389-398.
Mahdian MH and Gallichand H, 1997. Regipnal estimation of water defciti and potato yield In Quebec. J Canadian Agric Eng 39:165-175.
Maidment DR, 1993. Hand book of hydrology. Mc Graw Hill, New York.
Nagy HM, Watanabe K and Hirano M, 2002. Prediction of sediment concentration in rivers using artificial neural network model. J Hydraulic Engineering 128:588-594.
Pan GC, Gaard D, Moss K and Heiner T, 1993. A Comparison Between cokriging and ordinary kriging: Case Study with a Polymetalic Deposit. J Mathematical Geology 25:377-398.
Sajikumar N and Thandaveswara BS, 1999. A non linear rainfall- runoff modeling using an artificial network. J Hydrology 36:32-35.
Toth E, Brath A and Montanari A, 2000. Comparison of short-term rainfall prediction model for real-time flood forecasting. J Hydrology 239:132-147. | ||
|
آمار تعداد مشاهده مقاله: 2,439 تعداد دریافت فایل اصل مقاله: 1,937 |
||