تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,020 |
تعداد مشاهده مقاله | 52,489,467 |
تعداد دریافت فایل اصل مقاله | 15,217,010 |
قابلیت شبکههای عصبی مصنوعی جهت مدلسازی چند ایستگاهه بار معلق در مقایسه با روش منحنی سنجه رسوب | ||
دانش آب و خاک | ||
مقاله 5، دوره 19، پاییز و زمستان، بهمن 1388، صفحه 45-55 اصل مقاله (261.07 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
محمدتقی اعلمی* ؛ وحید نورانی؛ حمید نظم آرا | ||
دانشکده عمران، دانشگاه تبریز | ||
چکیده | ||
رسوبات حمل شده توسط رودخانه میتواند باعث بوجود آمدن خساراتی به اراضی کشاورزی و تأسیسات آبی گردد. برآورد صحیح بار رسوب در تأسیسات آبی مانند سدها باعث جلوگیری از صرف هزینههای اضافی خواهد شد. کشور ما ایران با دارا بودن رودخانههای متعدد، پتانسیل بالایی جهت ایجاد سد دارد. یکی از دلایل آن کاهش یافتن ظرفیت انتقال آب توسط مقطع رودخانه به دلیل انباشتگی رسوبات میباشد. لذا بررسی پدیده رسوب و برآورد رسوب حمل شده توسط رودخانه اهمیت خاصی دارد. در این راستا تخمین بار معلق رسوب، توجه مدلسازهای شبکههای عصبی مصنوعی را به خود معطوف کرده است. در این تحقیق از شبکههای عصبی مصنوعی برای برآورد رسوب ایستگاه آخولا واقع بر روی رودخانه آجیچای در استان آذربایجان شرقی استفاده شد. اطلاعات این ایستگاه شامل دبی و رسوب روزانه می باشد. در مراحل مختلف برآورد اثر ترکیبی عوامل مختلف دبی آب و دبی رسوب در کارایی شبکه، مورد بررسی قرار گرفت. به منظور بررسی تاثیر رسوب و دبی ایستگاه های بالادست، علاوه بر دادههای ایستگاه آخولا از دادههای ایستگاههای ونیار و مرکید نیز برای آموزش شبکة عصبی بکار رفت که بهترین نتیجه را در پی داشت. از روش کلاسیک منحنی سنجه نیز برای برآورد رسوب این ایستگاه استفاده گردید. برای بهینهسازی ضرایب رگرسیونی منحنی سنجه از الگوریتم ژنتیک استفاده شد و البته نتایج بهتری نسبت به روش کلاسیک نداد. با توجه به نتایج بدست آمده تخمین با رسوب در چند ایستگاه با استفاده از شبکههای عصبی، کارآیی بهتری داشت. | ||
کلیدواژهها | ||
الگوریتم پسانتشار خطا؛ بار معلق رسوب؛ تخمین چند ایستگاهه؛ شبکههای عصبی مصنوعی | ||
مراجع | ||
اعلمی م ت، حسنزاده ی، فاخری فرد ا، 1381. شبیه سازی رسوبگذاری در مخازن سدهای ذخیره ای با استفاده از مدل لوله جریان، مجلة دانشکده فنی دانشگاه تبریز، جلد 28، شماره 3، 9-1. شفاعی بجستان م، 1384. هیدرولیک رسوب. انتشارات دانشگاه شهید چمران (اهواز)، چاپ سوم. منتظر غ، ذاکر مشفق م و قدسیان م، 1381. تخمین خبره رسوب رودخانه بازفت به کمک شبکه عصبی مصنوعی. ششمین کنفرانس بین المللی مهندسی رودخانه، دانشگاه شهید چمران اهواز، 8-1. منهاج مب، 1384. مبانی شبکه های عصبی (هوش محاسباتی). انتشارات دانشگاه صنعتی امیرکبیر، چاپ سوم. مهدی زاده مب، 1383. شبکه های عصبی مصنوعی وکاربرد آن در مهندسی عمران. انتشارات عبادی، چاپ اول. Agarwal A, Singh RD and Bhunya PK, 2005. ANN-based sediment yield models for Vamasadhara river basin (India). Water SA 31: 95-100. Alp M and Cigizoglu HK, 2005. Suspended sediment load simulation by two artificial neural network methods using hydro meteorological data. J. of Environmental Modeling and Software 22: 2-13. Cigizoglu HK and Alp M, 2006. Generalized regression neural network in modeling river sediment yield. J. of Advances in Engineering Software 37: 63-68. Cigizoglu HK and Kisi O, 2006. Methods to improve the neural network performance in suspended sediment estimation. J. of Hydrology 317: 221-238. JianSK, 2001. Development of integrated sediment rating curves using ANNs. J of Hydraulic Engineering 127-1: 30-37. Lin B and Namin MN 2005. Modeling suspended sediment transport using an integrated numerical and ANNs. J. of Hydraulic Research 43-3: 302-310. RaghuwanshiNS, Singh R and Reddy LS, 2006. Runoff and sediment yield modeling using artificial neural network: upper Siwane River, India. J. of Hydrologic Engineering 11-1: 71-79. Sarangi A and BhattacharyaAK, 2005. Comparison of artificial neural network and regression models for sediment loss prediction from Banha watershed in India. J of Agricultural Water Management 78: 195-208.
| ||
آمار تعداد مشاهده مقاله: 2,943 تعداد دریافت فایل اصل مقاله: 1,441 |