آمار
| تعداد نشریات | 13 |
| تعداد شماره‌ها | 626 |
| تعداد مقالات | 6,517 |
| تعداد مشاهده مقاله | 8,746,468 |
| تعداد دریافت فایل اصل مقاله | 8,317,293 |
مدل‌سازی رابطه دبی_اشل در رودخانه با استفاده از روش شبکه‌های عصبی مصنوعی(ANN) و روش کنترل گروهی داده‌ها(GMDH)(مطالعه موردی: رودخانه اسکویلکیل) | ||
| مجله پژوهش‌های حفاظت آب و خاک | ||
| مقاله 18، دوره 23، شماره 2، خرداد 1395، صفحه 279-289 اصل مقاله (1.39 M) | ||
| نوع مقاله: مقاله کامل علمی پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22069/jwfst.2016.3069 | ||
| نویسندگان | ||
| مریم حسین زاده* 1؛ کورش قادری2؛ محمد مهدی احمدی2 | ||
| 1دانشگاه شهید با هنر کرمان | ||
| 2دانشگاه شهید باهنر کرمان | ||
| چکیده | ||
| پیش‌بینی جریان در رودخانه‌ها، یکی از مهم‌ترین مولفه‌های فرآیندهای هیدرولیکی و هیدرولوژیکی در مدیریت منابع آب می‌باشد. به منظور کاربردهای هیدرولوژیکی گوناگون نظیر تجزیه و‌تحلیل بیلان آب و رسوب و همچنین پروژه‌های کنترل و بهره‌برداری از مخازن، وجود اطلاعات دقیقی از شرایط دبی جریان در رودخانه بسیار مهم می‌باشد. از این رو هیدرولوژیست‌ها از داده‌های تاریخی جهت ایجاد یک رابطه میان دبی جریان و تراز سطح آب استفاده می‌کنند که از این رابطه تحت عنوان رابطه دبی- اشل یا منحنی سنجه (RC) یاد می‌شود. با پیشرفت‌های اخیر در زمینه هوش مصنوعی و محاسبات نرم در مطالعات منابع آب، استفاده از این روش‌ها می‌تواند گزینه مناسبی جهت مدل‌سازی فرآیندهای هیدرولیکی و هیدرولوژیکی باشد. در این تحقیق، مدلی بر اساس روش کنترل گروهی داده‌ها (GMDH) که یک رویکرد مدل‌سازی خود سازمانده مبتنی بر داده است، جهت مدل‌سازی رابطه دبی- اشل درایستگاه هیدرومتری فیلادلفیا روی رودخانه اسکویلکیل (Schuylkill) واقع در ایالت متحده آمریکا توسعه داده شده است. 12 مدل مختلف بر اساس ترکیبات مختلف متغیرهای ورودی از جریان و اشل با دو تابع هدف غیرخطی درجه اول و درجه دوم مورد استفاده قرار گرفته است. بررسی کارایی مدل‌ها با استفاده از معیارهای آماری RMSE، MPRE و ضریب NASH انجام شده است. مقادیر معیارهای آماری به دست آمده از این مدل‌سازی در دوره آزمون مدل نشان می‌دهد که مدلی با مقادیر MSE،MPRE و ضریب NASH به ترتیب برابر با 8/15، 303/0 و 999/0 به عنوان بهترین مدل دبی- اشل در این رودخانه انتخاب می‌گردد. | ||
| کلیدواژه‌ها | ||
| روش‌های داده‌محور؛ رابطه دبی- اشل؛ مدل‌سازی؛ ANN؛ GMDH | ||
| مراجع | ||
|
1.Bhattacharya, B., and Solomatine, D.P. 2000. Application of Artificial Neural Network in Stage-Discharge Relationship. 4th International Conference on Hydroinformatics, Iowa City, USA. 2.Bhola, N.S., and Reddy, M. 2010. Development of Stage Discharge Relationship in river using Genetic Algorithm and Model Tree. International Workshop Advances in statistical hydrology, Taormina, Italy. 3.Bisht, D.C.S., Raju, M.M., and Joshi, M.C. 2010. ANN Based River Stage-Discharge Modeling for GODAVARI river, INDIA. Computer Modeling and New Technologies, 14: 3. 48-62. 4.Goel, A., and Pal, M. 2012. Stage-Discharge Modeling Using Support Vector Machine. Department of Civil Engineering, 25: 1. 5.Guven, A., and Aytek, A. 2009. New approach for stage-discharge relationship: 6.Hwang, H.S. 2006. Fuzzy GMDH-type Neural Network model and itsApplication to Forecasting of Mobile Communication. Computers and Industrial Engineering. 50: 450-457 . 7.Ivakhnenko, A.G. 1988. Sorting Methods for Modeling and Cauterization Survey of the GMDH Papers for the Years 1983-1988. The present of Stage of GMDH Development: Soviet J. Auto. Inf. Sci. c/c Avtomatika. 21: 4. 1-13. 8.Jain, S., and Chalisgonkar, D. 2000. Setting up Stage-Discharge Relations Using ANN. J. Hydrol. Engin. 5: 4. 428-433. 9.Sumsudin, R., Ismail, S., and Shabri, A. 2010. River Flow Forecasting: A Hybrid Model of Self Organizing Maps and Least Square Suport Vector Machine. Hydrol. Earth Syst. Sci. Dis. 7: 8179-8212. | ||
|
آمار تعداد مشاهده مقاله: 1,401 تعداد دریافت فایل اصل مقاله: 1,161 |
||
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب