| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 3,016 |
| تعداد مقالات | 33,722 |
| تعداد مشاهده مقاله | 44,959,731 |
| تعداد دریافت فایل اصل مقاله | 45,875,382 |
مقایسه شبکه‌های عصبی و مدل رگرسیونی در پیش‌بینی راندمان تله‌اندازی رسوب در سدهای تـأخیری | ||
| پژوهش های آبخیزداری | ||
| مقاله 7، دوره 28، شماره 1 - شماره پیاپی 106، فروردین 1394، صفحه 63-72 اصل مقاله (570.6 K) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/wmej.2015.107048 | ||
| نویسندگان | ||
| امیر مرادی نژاد* 1؛ امیر حمزه حقی آبی2؛ عباس پارسایی2 | ||
| 1سازمان تحقیقات، آموزش و ترویج وزارت جهاد کشاورزی | ||
| 2گروه سازه های آبی دانشگاه لرستان | ||
| چکیده | ||
| شبکه عصبی مصنوعی از جمله روش‌های جدید تخمین تغییرات پدیده‌ها می‌باشد که در شاخه‌های مختلف علوم کاربرد گسترده‌ای پیدا کرده است. راندمان تله‌اندازی رسوب و حجم رسوبگذاری شده مخازن سدها نیز از جمله مسائلی است که می‌تواند با این روش مورد بررسی قرار گیرد. هدف از انجام این تحقیق، تعیین راندمان تله‌اندازی رسوب در سدهای تأخیری با استفاده از روش‌های شبکه عصبی و مقایسه آنها با مدل‌های رگرسیونی است. برای انجام این تحقیق از مدل فیزیکی سد تأخیری که در پژوهشکده حفاظت خاک و آبخیزداری ساخته شده بود، استفاده گردید. به منظور شبیه‌سازی هیدروگراف سیلاب، از ایده مدل مخازن خطی استفاده گردید. سپس با رهاسازی سیلاب همراه با رسوب، عملکرد سد تأخیری در تله‌اندازی رسوبات مورد بررسی قرار گرفت. در مرحله بعد، با شناسایی پارامترهای تأثیرگذار بر تله‌اندازی رسوبات مخازن سدها، مدل شبکه عصبی مناسب به روش پس انتشار خطا توسعه داده شد. همچنین از مدل‌های رگرسیونی برای بررسی رابطه پارامترها و نیز مقایسه نتایج برآوردی با مشاهده‌ای استفاده شد. در نهایت، شاخص‌های آماری R2، RMSE و MAPE به منظور ارزیابی صحت و دقت مدل به کار گرفته شد. طبق نتایج، میانگین مقادیر R2، RMSE و MAPE در مدل‌های رگرسیونی به ترتیب برابر 465/0، 6/26 و 1/62 می‌باشد، در حالی که مقادیر این شاخص‌ها در مدل توسعه داده شده شبکه عصبی به ترتیب برابر 982/0، 6/4 و 1/6 می‌باشد. از این رو مدل شبکه عصبی مصنوعی از توانایی بیشتری نسبت به روابط رگرسیونی در پیش‌بینی راندمان تله‌اندازی رسوب سدهای تـأخیری برخوردار است. همچنین نتایج نشان داد که محاسبه راندمان تله‌اندازی رسوب بستگی به تعداد پارامترهای به کار رفته در معادله دارد و باید با توجه به تعداد پارامترها، رابطه بهینه را انتخاب نمود. | ||
| کلیدواژه‌ها | ||
| راندمان تله‌اندازی رسوب؛ سد؛ شبکه عصبی؛ تحلیل ابعادی؛ مدل رگرسیونی | ||
| عنوان مقاله [English] | ||
| Comparing Artificial Neural Network and Regression Model to predict Sediment Trap Efficiency of Delayed Dams | ||
| نویسندگان [English] | ||
| Amir Moradinezhad1؛ Amirhamzeh Haghiabi2؛ Abbas Parsaei2 | ||
| 1Research, Education and Promotion Organization, Ministry of Jihad and Agriculture | ||
| 2Department of Water Structures, Lorestan University | ||
| چکیده [English] | ||
| Artificial neural network is a new method to estimate phenomena changes that have wide application in various branches of science. Reservoir sediment traps efficiency and sediment volume is an issue that can be investigated with this method. The purpose of this study is the determinate of sediment trapping efficiency in delayed dams and a comparison between neural network methods with regression models. So in this study, was used the physical model of delayed dams in the soil conservation and watershed management research center. In order to simulate a flood hydrograph, was used the idea of a linear reservoir model. Then with the release of flood and sediment trap sediments, examined the function of delayed dam. Then, with identify the affecting parameters on reservoirs sediment trapping; was developed neural network model on based back propagation of error. Also was applied the regression models for investigation the relationship between the parameters and compare the estimation results with observation. Finally, was applied the statistical indexes R2, RMSE and MAPE to assess the accuracy and precision of the model. According to results, the average values of R2, RMSE and MAPE in regression models are equal to 0.456, 26.6 and 62.1 respectively; but are the values in the neural network model 0.982, 4.6 and 6.1. So the artificial neural network has more ability in compared to regression equation to predict trap sediment in delayed dams. Also the results showed estimation of sediment trapping efficiency has depend on the number of parameters in equation and must be determined the optimized equation on based number of parameters. | ||
| کلیدواژه‌ها [English] | ||
| Sediment Trapping Efficiency, Dimensional Analysis Neural Network, Dams, Regression model | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 662 تعداد دریافت فایل اصل مقاله: 1,526 |
||