تعداد نشریات | 44 |
تعداد شمارهها | 1,298 |
تعداد مقالات | 15,886 |
تعداد مشاهده مقاله | 52,118,879 |
تعداد دریافت فایل اصل مقاله | 14,889,145 |
- برآورد تبخیر از سطح مخزن با استفاده از مدل شبکه ی عصبی مصنوعی (مطالعه ی موردی سد میناب) | ||
هیدروژئومورفولوژی | ||
مقاله 3، دوره 6، شماره 18، خرداد 1398، صفحه 39-56 اصل مقاله (2.09 M) | ||
نوع مقاله: پژوهشی | ||
نویسندگان | ||
محمد حسین جهانگیر* 1؛ احمد نوحه گر2؛ کیوان سلطانی3 | ||
1دانشکده علوم و فنون نوین دانشگاه تهران | ||
2استاد گروه برنامه ریزی مدیریت و آموزش محیط زیست، دانشکده ی محیط زیست، دانشگاه تهران، تهران، ایران. | ||
3دانشجوی کارشناسی ارشد، دانشکده ی علوم و فنون نوین، دانشگاه تهران، تهران، ایران. | ||
چکیده | ||
چکیده تبخیر به عنوان یکی از پارامترهای طبیعی به علت نقش مهمی که در خروج آب از دسترس بشر دارد، همواره مورد توجه کارشناسان و محققان بوده است. در این پژوهش سعی شده است تا با بکارگیری مدل شبکه ی عصبی مصنوعی در برآورد تبخیر از سطح دریاچه ی سد میناب، میزان دقت مدل مورد ارزیابی قرار گیرد. برای بررسی روند تغییرات پارامترهای مؤثر بر تبخیر برای اطلاعات 19 ساله موجود، با استفاده از رگرسیون غیرخطی بهترین برازش از بین نقاط موجود برای دادهها ترسیم و روند کلی تغییرات پارامترهای مؤثر بر تبخیر مشخص شده است. همچنین برای مدلسازی تبخیر با استفاده از شبکه ی عصبی مصنوعی از آمار 19 ساله، از سال 1374 تا 1392 استفاده و بهترین ساختار برای محاسبهی میزان تبخیر از سطح دریاچه ی سد میناب انتخاب شده است. در این ساختار لایه ی اول و دوم دارای 5 نورون میباشند که با 1000 تکرار برای محاسبه ی آن، بهترین نتیجه به دست آمد. ضرایب آماری به دست آمده از تحلیل با استفاده از شبکه ی عصبی مصنوعی در انتخاب بهترین ساختارمورد توجه قرار گرفت که در این ساختار ضریب همبستگی با مقدار 8941/0 دارای بیشترین مقدار در بین آزمونهای دیگر است و مقادیر خطا برای دادههای آموزش و آزمایش نیز به ترتیب برابر با 0011/0 و 0082/0 است که پس از این ساختار، ساختارهای ANN(3,7,1)، ANN (4,10,1)، ANN(4,11,1)، ANN(5,3,1) دارای مقادیر ضریب همبستگی و خطای قابل قبولی در تعیین مقدار تبخیر از دریاچهی سد میناب میباشند. | ||
تازه های تحقیق | ||
- | ||
کلیدواژهها | ||
کلمات کلیدی: شبکه ی عصبی مصنوعی؛ تبخیر سطحی؛ برازش غیرخطی؛ ضریب همبستگی؛ سدمیناب | ||
اصل مقاله | ||
- | ||
مراجع | ||
منابع - باباعلی حمیدرضا و رضا دهقانی (1396)، پیشبینی دبی سیلابی با استفاده از شبکه ی عصبی موجک، مجله ی هیدروژئومورفولوژی، دوره ی 3، شماره ی 11، صص 168-149. - بابامیری، امید و یعقوب دینپژوه (1395)، مقایسه و ارزیابی بیست روش تخمین تبخیر-تعرق گیاه مرجع مبتنی بر سه دسته ی کلی دمای هوا، تابش خورشید و انتقال جرم در حوضه ی آبریز دریاچه ی ارومیه، نشریه ی علوم آب و خاک- علوم و فنون کشاورزی و منابع طبیعی، دانشگاه اصفهان، 20 (77)، صص 145-161. - ستاری، محمدتقی؛ میرعباسی نجفآبادی، رسول و مسعود علیمحمدی (1395)، کاربرد مدل درختی M5در پیشبینی خشکسالی (مطالعه ی موردی: مراغه، ایران)، مجله ی هیدروژئومورفولوژی، دوره ی 2، شماره ی 7، صص 159-141. - ندیری، عطاالله و سعید یوسفزاده (1396)، مقایسهی کارآیی مدلهای شبکه عصبی مصنوعی، منطق فازی و سیستم استنتاج نرو- فازی تطبیقی در تخمین هدایت هیدرولیکی آبخوان دشت مراغه-بناب، مجله ی هیدروژئومورفولوژی، دوره ی 3، شماره ی 10، صص 21-40. - نورانی، وحید؛ آزاد، نرگس؛ قاسمزاده، مهسا و الناز شرقی (1395)، بررسی تأثیر پارامترهای هیدروکلیماتولوژیکی آجیچای بر تغییرات تراز آب دریاچه ی ارومیه با استفاده از مدل ترکیبی موجک– منکندال، مجله ی هیدروژئومورفولوژی، دوره ی 2، شماره ی 7، صص 159-141. -Deswal, Surinder, and Mahesh Pal. (2008), Artificial neural network based modeling of evaporation losses in reservoirs, International Journal of Mathematical, Physical and Engineering Sciences, No. 4, PP.177-181. -Ma, Lili; Yun Wu, Jianwei Ji and Chaoxing He. )2011(, The prediction model for soil water evaporation based on BP neural network, Conference on Intelligent Computation Technology and Automation (ICICTA), International, Vol. 2, PP. 276-280. -Felix Klein.(1979), Development of mathematics in the 19th century, Mathsci Press Brookline, Translated by M. Ackerman from Vorlesungen uber die Entwicklung der Matematik im 19 Jahrhundert, Springer, Berlin. -Rajaee, T., Mirbagheri, S. A., Nourani, V., and Alikhani, A. (2010), Prediction of daily suspended sediment load using wavelet and neurofuzzy combined model, International Journal of Environmental Science & Technology, 7, No.1, PP. 93-110. -Reddy, T. Agami. (2007), Application of a generic evaluation methodology to assess four different chiller FDD methods (RP-1275), HVAC&R Research Vol.13, No. 5, PP. 711-729. -Tabari, H., Marofi, S., and Sabziparvar, A.A. (2010), Estimation of daily pan evaporation using artificial neural network and multivariate non-linear regression, Irrigation Science, Vol.28, No.5, PP. 399-406. -Tabesh, M., and Dini, M. (2010), Forecasting daily urban water demand using artificial neural networks, a case study of Tehran urban water, J. of Water and Wastewater, Vol. 21, No.1, PP. 84-95. (In Persian) -Thomas, George B., Jr. Finney, Ross L.(1996), Calculus and Analytic Geometry (9th ed.), Addison Wesley, ISBN: 0-201-53174-7. -Traore, Seydou, Yu-Min Wang, and Tienfuan Kerh.(2010), Artificial neural network for modeling reference evapotranspiration complex process in Sudano-Sahelian zone, Agricultural Water Management , Vol.97, No. 5, PP. 707-714. -Zoqi, M.J., and Saeedi, M. (2011), Modeling leachate generation using artificial neural networks, J. of Water and Wastewater, Vol. 22, No.1, PP. 76-84. | ||
آمار تعداد مشاهده مقاله: 634 تعداد دریافت فایل اصل مقاله: 395 |