| تعداد نشریات | 286 |
| تعداد نشریات سازمان | 84 |
| تعداد شماره‌ها | 2,846 |
| تعداد مقالات | 32,300 |
| تعداد مشاهده مقاله | 41,386,951 |
| تعداد دریافت فایل اصل مقاله | 18,562,136 |
گزارش فنی: مدل شبکه عصبی مصنوعی پرسپترون چند لایه برای پیش‌بینی دبی روزانه بار معلق رسوب و ارزیابی عوامل موثر در برآورد رسوب | ||
| مهندسی و مدیریت آبخیز | ||
| مقاله 10، دوره 10، شماره 2، تیر 1397، صفحه 249-255 اصل مقاله (1.03 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2017.108115.1215 | ||
| نویسندگان | ||
| میترا تنهاپور1؛ محمدابراهیم بنی‌حبیب* 2 | ||
| 1دانشجوی کارشناسی ارشد سازه‌های آبی، پردیس ابوریحان، دانشگاه تهران | ||
| 2دانشیار گروه مهندسی آبیاری زهکشی، پردیس ابوریحان، دانشگاه تهران، پردیس ابوریحان | ||
| چکیده | ||
| پیش‌بینی مقدار رسوب در طرح‌های مهندسی منابع آب نظیر تأسیسات تنظیم و انحراف جریان و سدهای مخزنی از عوامل مهم در تعیین عمر مفید و بررسی عملکرد آن‌ها است. در این تحقیق مدلی برای تخمین دبی روزانه رسوب، با استفاده از مدل شبکه عصبی پرسپترون چند لایه با الگوریتم یادگیری پس انتشار خطا ارائه شد و عملکرد مدل با مدل رگرسیون غیرخطی چند متغیره و منحنی‌سنجه رسوب در مراحل آموزش و آزمون مقایسه شد. بدین منظور از داده‌های دبی لحظه‌ای، بارش، شماره روز در سال و دبی آب در روز قبل در محدوده سال‌های 1388-1369 در ایستگاه پل زغال واقع در حوضه رودخانه چالوس استفاده شد. نتایج حاصل از آزمون ترکیب مختلف مجموعه داده‌های ورودی نشان داد، ابتدا پارامتر دبی لحظه‌ای، سپس دبی روز قبل و در نهایت عوامل بارش و شماره روز سال به‌ترتیب بیشترین تأثیر را در عملکرد مدل دارند، این نتایج تطابق نسبتا خوبی با نتایج حاصل از آنالیز ضرایب استاندارد شده مدل رگرسیونی دارد. برای مقایسه ساختارهای مختلف شبکه عصبی از معیارهای ضریب تبیین (R2) و جذر میانگین مربع خطا (RMSE) استفاده شد. بدین ترتیب با حذف متغیر شماره روز سال، بهترین شبکه با ساختار 1-5-3 و مقادیر 0.89= R2 و 0.02=RMSE به‌دست آمد. نتایج حاصل از مقایسه مدل‌ها نشان داد، در مرحله آموزش و آزمون به‌ترتیب روش منحنی‌سنجه و مدل شبکه عصبی بهترین عملکرد را به خود اختصاص داده‌اند و مدل شبکه عصبی مقدار ضریب همبستگی را تقریباً 16 درصد نسبت به دو روش دیگر افزایش داد. با استفاده از نتایج این تحقیق، عوامل موثر بر تخمین دبی رسوب شناسایی شده و می‌توان در پروژه‌ها، با صرف وقت و هزینه کمتر برآورد دقیق‌تری از دبی رسوب داشت. | ||
| کلیدواژه‌ها | ||
| الگوریتم پس انتشار خطا؛ دبی لحظه‌ای؛ مدل رگرسیون غیرخطی چندگانه؛ مدل هوش مصنوعی؛ منحنی‌سنجه رسوب | ||
| عنوان مقاله [English] | ||
| Artificial neural network model of multilayer perceptron for prediction of daily discharge suspended sediment load and assessment of factors affecting sediment estimation | ||
| نویسندگان [English] | ||
| Mitra Tanhapour1؛ Mohammad Ebrahim Banihabib2 | ||
| 1MSc Student, Abouraihan Campus, University of Tehran, Tehran, Iran | ||
| 2Associate Professor, Abouraihan Campus, University of Tehran, Tehran, Iran | ||
| چکیده [English] | ||
| Prediction of the sediment load in water resources engineering projects such as flow diversion projects and dam construction is important factor for determining their service life. In this study, a model for estimation of daily sediment discharge was proposed using multilayer perceptron Artificial Neural Network (ANN) model with back-propagation learning algorithm. For this purpose, current day’s discharge (Qt), precipitation, number of day in the year (DOY) and previous day’s discharge (Qt-1) data of Zoghal Bridge station (located on Chalus River) from 1990 to 2009 were used for training, verification and test. Results of testing different combinations of input data sets showed that effective parameters of the model performance are current discharge parameter, antecedent discharge, precipitation and DOY, respectively. This results has a relatively good agreement with standardized coefficients of regression model. Coefficient of determination (R2) and Root Mean Square Error (RMSE) were used to compare the different structures of ANN. Therefore, best network with 3-5-1 architecture and the amounts of R2=0.89 and RMSE=0.02 was obtained by elimination of DOY variable. The performance of ANN model in the prediction of sediment discharge was compared with Sediment Rating Curve (SRC) and Multiple Non-Linear Regression (MNLR) model. The results showed, in the training and test steps, SRC method and ANN model have the best performance, respectively. Furthermore, in the test step, the ANN model performed better results compared to two other methods by increasing R2 about 16%. Generally, the proposed ANN model can be estimated sediment discharge by less calculation time and cost and also with more accuracy. | ||
| کلیدواژه‌ها [English] | ||
| Technical Note: Artificial intelligence model, Back-propagation algorithm, Current day’s discharge, Multiple non-linear regression model, sediment rating curve | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,041 تعداد دریافت فایل اصل مقاله: 686 |
||