آمار
| تعداد نشریات | 43 |
| تعداد شماره‌ها | 1,224 |
| تعداد مقالات | 15,037 |
| تعداد مشاهده مقاله | 50,556,007 |
| تعداد دریافت فایل اصل مقاله | 13,648,652 |
برنامهریزی ژنتیک و کاربرد آن در مدلسازی فرآیند بارش- رواناب | ||
| دانش آب و خاک | ||
| مقاله 5، دوره 20، شماره 4، بهمن 1389، صفحه 62-71 اصل مقاله (1.04 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| علی سلطانی1؛ محمد‌علی قربانی* 1؛ احمد فاخری‌فرد1؛ صابره دربندی1؛ داود فرسادی‌زاده32 | ||
| 1دانشکده کشاورزی دانشگاه تبریز | ||
| 2دانشگاه تبریز | ||
| چکیده | ||
| نقش و اهمیت فرآیند بارش-رواناب در مطالعات منابع آب موجب شده که این فرآیند از دیر باز مورد توجه متخصصین قرار گیرد. از این رو روش های متعددی همچون شبکه های عصبی مصنوعی، سیستم های فازی و نرو فازی، آنالیز موجک، الگوریتم ژنتیک، برنامهریزی ژنتیک و معادلات دیفرانسیل تصادفی برای مدلسازی فرآیند بارش-رواناب توسعه یافته است. برنامه ریزی ژنتیک علاوه بر توانایی استخراج رابطه‌ی بین متغیّرهای ورودی و خروجی به طور خودکار و هوشمند، متغیّرهایی که در مدل بیشترین تأثیر را دارند انتخاب می‌کند. در این تحقیق، برنامه ریزی ژنتیک(GP) برای مدلسازی فرآیند بارش-رواناب روزانه در حوضه آبریز لیقوان با مساحت 19/76 کیلومتر مربع استفاده شده است. از آنجایی که GP توان انتخاب بهترین متغیرها را دارد، ابتدا متغیرهای معنی‌دار با 10 بار اجرای GP مشخص و سپس مدلسازی با متغیرهای معنی‌دار و دو مجموعه عملگر ریاضی انجام شد. در مقایسه نتایج دو مدل حاصل از دو مجموعه عملگر ریاضی درحالت بهینه، ضریب همبستگی و میانگین مربعات خطا برای آموزش در دو مدل یکسان و به ترتیب 85/0 و 06/0 و برای تست در مدل حاصل از مجموعه عملگر ریاضی یک، به ترتیب 93/0 و 2/0 و در مدل حاصل از مجموعه عملگر ریاضی دو، به ترتیب 97/0 و 08/0 به دست آمد. بنابراین مدل حاصل از مجموعه عملگر ریاضی دو، به عنوان مدل بارش-رواناب حوضه آبریز لیقوان پیشنهاد گردید. | ||
| کلیدواژه‌ها | ||
| بارش-رواناب؛ برنامه ریزی ژنتیک؛ حوضه آبریز لیقوان؛ مدلسازی | ||
| مراجع | ||
|
بی نام، 1381. گزارشهای آماری هواشناسی و هیدرولوژی سازمان آب منطقهای استان آذربایجان شرقی. فربودفام ن، قربانی م ع، اعلمی م ت، 1388. پیش بینی جریان رودخانه با استفاده از برنامهریزی ژنتیک (مطالعه موردی: حوضه آبریز رودخانه لیقوان). مجله دانش کشاورزی. جلد 19. شماره 4 صفحههای 107-123. Aytek A and Kisi O, 2008. A genetic programming approach to suspended sediment modeling. Aytek A, Asce M and Alp M. 2008. An application of artificial intelligence for rainfall–runoff modeling. J Earth System Science 117: 145-155. Jay awardena AW, Muttil N and Fernando TMKG, 2005. Rainfall-Runoff Modelling using Genetic Programming.Pp.1841-1847. International Congress on Modelling and Simulation Society of Australia and New Zealand December 2005, New Zealand. Khu ST, Liong SY, Babovic V, Madsen H and Muttil N, 2001. Genetic programming and its application in real- time runoff forecasting. J Am Water Res Assoc 37: 439-451. Koza JR, 1992. Genetic programming: On the programming of computers by means of natural selection. Cambridge, MA: MIT Press. Liong SY, Gautam TR, Khu ST, Babovic V, Keijzer M and Muttil N, 2002. Genetic programming: A new paradigm in rainfall runoff modeling. J Am Water Res Assoc 38: 705-718. Sette S, Boullart L, 2001. Genetic programming: principles and applications. Engineering Applications of Artificial Intelligence 14: 727–736. Sherman LK 1932. Streamflow from rainfall by the unit-graph method. Engineering News Record 108: 501-505. Ustoorikar K and Deo MC, 2008. Filling up gaps in wave data with genetic programming. Marine Structures 21: 177-195. Whigham PA and Crapper PF, 2001. Modeling rainfall–runoff using genetic programming. Mathematical and Computer Modeling 33: 707–721. | ||
|
آمار تعداد مشاهده مقاله: 4,053 تعداد دریافت فایل اصل مقاله: 4,986 |
||