تعداد نشریات | 44 |
تعداد شمارهها | 1,323 |
تعداد مقالات | 16,270 |
تعداد مشاهده مقاله | 52,954,069 |
تعداد دریافت فایل اصل مقاله | 15,624,725 |
مدلسازی فرآیند بارش – رواناب در حوضه لیقوان چای با استفاده از نرون شرطی آستانه دمایی | ||
دانش آب و خاک | ||
مقاله 8، دوره 20، شماره 2، مرداد 1389، صفحه 97-110 اصل مقاله (306.93 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
محمدتقی اعلمی* ؛ حجت حسین زاده | ||
گروه عمران آب دانشگاه تبریز | ||
چکیده | ||
لزومِ پیشبینى بده رودخانه در کارهاى عمرانى، برنامهریزى براى استفادة بهینه از مخازن سدها، ساماندهىِ رودخانه و هشدار سیل، کاملاً احساس مىشود. در این راستا مسئلۀ بارش- رواناب بیشترین توجه مدلسازهای شبکههای عصبی 2 برای پیشبینی بارش- MLP مصنوعی 1 را به خود معطوف کرده است. در این تحقیق از شبکههای عصبی چند لایه رواناب حوضه آبریز برفگیر لیقوانچای واقع در استان آذربایجان شرقی استفاده شده است. اطلاعات این حوضه شامل دادههای بارش، دما و رواناب روزانه میباشد. در مراحل مختلف تحقیق اثرات هر یک از این عوامل (در قالب ترکیبات مختلف) در کارایی شبکه، مورد بررسی قرار گرفته است. همراهی سه عامل بارش در روز جاری و روزهای قبل، دما در روز جاری و روزهای قبل و رواناب در روزهای قبل در ماتریس ورودی بهترین نتایج را برای شبکه عصبی در پی داشته است. از آنجایی که حوضۀ آبریز لیقوان یک حوضۀ برفگیر میباشد، اثر دما در این حوضه و تبدیل برف به رواناب حائز اهمیت بوده و در ادامه مورد بررسی قرار گرفته و نرونی با نام نرون شرطی آستانۀ دمایی 3 تعریف شده است. مقادیر این نرون بصورت باینری بوده و اعداد صفر و یک را به خود میگیرد. معیار این CTT تفکیک مقدار آستانۀ دمایی ذوب برف میباشد که برای حوضۀ لیقوان محاسبه شده است. در پایان نتایج مدل 4 مقایسه شده است. نتایج نشان دهندة کارایی بهتر شبکۀ DSH شبکههای عصبی با مدل هیدروگراف ذوب برف بی بعد میباشد. DSH عصبی نسبت به مدل ذوب برف | ||
کلیدواژهها | ||
الگوریتم پس انتشار خطا؛ شبکههای عصبی مصنوعی؛ مدل سازی بارش رواناب؛ نرون شرطی آستانه دمایی | ||
مراجع | ||
منهاج، م. 1379 . مبانی شبکههای عصبی( هوش محاسباتی). چاپ اول، انتشارات دانشگاه صنعتی امیرکبیر. Anmala J, Zhang B and Govindaraju RS, 2000. Comparison of ANNs and empirical approaches for predicting watershed runoff. Journal of Water Resources Planning and Management, 126: 18200-18207. Bartual RG, 2002. Short term river flood forecasting with neural networks. Proceeding of Iemss, 160- 165. Cunningham AB, 1977. Synthesis of snowmelt runoff hydrographs. Journal of hydraulics division, 103: 12668-12675. Hsu KL, Gupta H and Sorooshian S, 1995. Artificial neural network modeling of the rainfall-runoff Process. Water resources research, 31: 2517-2530. 20 شماره 2 سال 1389 / 110 اعلمی و حسینزاده مجله دانش آب و خاک / جلد 1 Lauzon N, Anctil F and Baxter CW, 2006. Classification of heterogeneous precipitation fields for the assessment and possible improvement of lumped neural network models for stream flow forecasts. hydrologic earth system science dscussion, 3: 201–227. Sajikumar N and Thandaveswara BS, 1999. A non-linear rainfall-runoff model using an artificial neural network. Journal of hydrology, 216: 32-55 Smith J and Eli RN, 1995. Neural-network models of rainfall-runoff process. Journal of water resource planning and management, 121: 6, 7613-7620. Tokar AS and Peggy JA, 1999. Rainfall-runoff modeling using artificial neural networks. Journal of hydrologic engineering, 4: 232-239. Wu S, Han JS, Annambhotla S and Bryant BS, 2005. Artificial neural networks for forecasting watershed runoff and stream flows. Journal of hydrologic engineering, 10: 216-222. | ||
آمار تعداد مشاهده مقاله: 2,808 تعداد دریافت فایل اصل مقاله: 1,184 |