![سامانه مدیریت نشریات علمی دانشگاه تبریز](./data/logo.png)
تعداد نشریات | 44 |
تعداد شمارهها | 1,323 |
تعداد مقالات | 16,270 |
تعداد مشاهده مقاله | 52,954,067 |
تعداد دریافت فایل اصل مقاله | 15,624,723 |
مقایسه روشهای شبکه های عصبی مصنوعی، فازی-عصبی تطبیقی و منحنی سنجه رسوب در برآورد رسوبات معلق رودخانه ها (مطالعه موردی: رودخانه آجی چای) | ||
دانش آب و خاک | ||
مقاله 6، دوره 20، شماره 2، مرداد 1389، صفحه 71-82 اصل مقاله (236.05 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
محمد مهدی معیری؛ محمد رضا نیک پور* ؛ علی حسین زاده دلیر؛ داود فرسادی زاده | ||
گروه مهندسی آب دانشگاه تبریز | ||
چکیده | ||
ارائه راهکاری مناسب جهت برآورد دقیق بار معلق رودخانهها در پروژههای آبی، مهندسی رودخانه و آبیاری کاربردهای فراوانی دارد. به دلیل تأثیر پارامترهای مختلف بر انتقال رسوبات در رودخانهها، تعیین معادلات حاکم بر آن مشکل بوده و مدلهای ریاضی نیز در این راستا از دقت کافی برخوردار نیستند. امروزه استفاده از سیستمهای هوش مصنوعی به عنوان راهکاری جدید در تحلیل مسائل آبی، گسترش یافته است. در تحقیق حاضر منطق فازی- عصبی و شبکه های عصبی، برای تعیین میزان رسوبات معلق رودخانه آجیچای به کار برده شد و با استفاده از دادههای دبی ،رسوب و اشل، مدلهای مذکور و منحنی سنجه رسوب تهیه گردید. همچنین دورههای آماری به سه فصل تر، خشک و ذوب برف تقسیم شده و کلیه مدلها برای این سه دوره مورد آزمایش قرار گرفتند. نتایج حاصل از این تحقیق نشان داد که منطق فازی-عصبی در مقایسه با شبکه های عصبی و منحنی سنجه از دقت بیشتری در برآورد رسوبات معلق رودخانه برخوردار است. | ||
کلیدواژهها | ||
رسوبات معلق؛ رودخانه آجیچای؛ شبکههای عصبی مصنوعی؛ منحنی سنجه رسوب؛ منطق فازی- عصبی | ||
مراجع | ||
یکتا الف و سلطانی ف، ۱۳۸۵ . تخمین رسوبات معلق رودخانهها با استفاده از مدلهای ۳۷۵ . هفتمین سمینار مهندسی رودخانه. دانشگاه شهید چمران اهواز، اهواز. - سنجه. صفحات ۳۸۴ Anonymous, 2007. Fuzzy Logic Toolbox for Use with MATLAB. User’s Guide, Version 2. Ariffin J, Abdul Ghani A, Zakaria N and Shukri Yahya A, 2003. Sediment prediction using ANN and regression approach. Pp 930-945. 1st International Conference on Managing Rivers in the 21st Century: Issues and Challenges. Cigizoglu Hk, 2004. Estimation and forecasting of daily suspended sediment data by multi-layer perceptrons. Advanced Water Resources. 27: 185–195. Jang JSR, 1993. Anfis: adaptive-network-based fuzzy inference systems. Journal of IEEE Transactions on System, Management and Cybernetics, 23: 665–685. Jang JSR, Sun CT and Mizutani E, 1997. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligance Upper Saddle River, New Jersey, Prentice Hall, USA. Kisi O, 2005. Suspended sediment estimation using neuro-fuzzy and neural network approaches. Journal of Hydrological Sciences, IAHS Press, 50: 683-696. Tayfur G, Ozdemir S and Singh VP, 2003. Fuzzy logic algorithm for runoff-induced sediment transport from bare soil surfaces. Advanced Water Resource, 26: 1249–1256. | ||
آمار تعداد مشاهده مقاله: 3,879 تعداد دریافت فایل اصل مقاله: 1,755 |