شبیه سازی فرآیند بارش- رواناب با استفاده از شبکه عصبی مصنوعی و سیستم فازی عصبی تطبیقی (مطالعه موردی: حوزه آبخیز حاجی قوشان)

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 شبیه سازی فرآیند بارش- رواناب با استفاده از شبکه عصبی مصنوعی و سیستم فازی عصبی تطبیقی (مطالعه موردی: حوزه آبخیز حاجی قوشان) دارای ۲۲ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد شبیه سازی فرآیند بارش- رواناب با استفاده از شبکه عصبی مصنوعی و سیستم فازی عصبی تطبیقی (مطالعه موردی: حوزه آبخیز حاجی قوشان)  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی شبیه سازی فرآیند بارش- رواناب با استفاده از شبکه عصبی مصنوعی و سیستم فازی عصبی تطبیقی (مطالعه موردی: حوزه آبخیز حاجی قوشان)،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن شبیه سازی فرآیند بارش- رواناب با استفاده از شبکه عصبی مصنوعی و سیستم فازی عصبی تطبیقی (مطالعه موردی: حوزه آبخیز حاجی قوشان) :

نام کنفرانس، همایش یا نشریه : پژوهشنامه مدیریت حوزه آبخیز

تعداد صفحات :۲۲

پیش بینی رواناب به صورت کوتاه مدت به دلیل رابطه مستقیم آن با چگونگی تعامل مدیران با خطرات جانی ناشی از سیلاب ها، از اهمیت خاصی برخوردار است. در این تحقیق با استفاده از شبکه های عصبی مصنوعی (ANN) و فازی عصبی تطبیقی (ANFIS)، اقدام به شبیه سازی فرآیند بارش رواناب به صورت روزانه، در حوزه آبخیز حاجی قوشان شده است. در این سیستم ها سه ترکیب مختلف ورودی شامل بارندگی همان روز، بارندگی همان روز و روز قبل، بارندگی همان روز و روز قبل و دو روز قبل از آن، مورد استفاده قرار گرفت. هم چنین در شبکه ANFIS از توابع مختلف گوسی، گوسی نوع ۲، مثلثی و زنگوله ای استفاده شد و تعداد نرون های لایه مخفی در شبکه عصبی بین ۲ تا ۱۰ نرون متغیر بود. معیارهای آماری متوسط ریشه مربع خطا (RMSE)، متوسط قدر مطلق خطا (MAE) و ضریب همبستگی (R) برای ارزیابی و مقایسه عملکرد شبکه های عصبی مصنوعی و مدل ANFIS در پیش بینی رواناب، مورد استفاده قرار گرفت. مدل ANFIS با RMSE=7.11، MAE=2.18 و نسبت به مدل ANN با RMSE=6.03، MAE=1.97 و R=0.39، فرآیند بارش- رواناب را با دقت بالاتری پیش بینی نموده است.

کلید واژه: شبیه سازی بارش رواناب، شبکه عصبی مصنوعی، شبکه فازی عصبی تطبیقی، حوزه آبخیز حاجی قوشان