برآورد بار رسوبی کل با استفاده از روش ماشین یادگیری شدید (ELM)

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

 برآورد بار رسوبی کل با استفاده از روش ماشین یادگیری شدید (ELM) دارای ۱۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد برآورد بار رسوبی کل با استفاده از روش ماشین یادگیری شدید (ELM)  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 برآورد بار رسوبی کل با استفاده از روش ماشین یادگیری شدید (ELM)،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن برآورد بار رسوبی کل با استفاده از روش ماشین یادگیری شدید (ELM) :

تعداد صفحات :۱۶

چکیده مقاله:

برآورد بار رسوبی در رودخانه ها یکی از مهمترین بخش های مطالعات انتقال رسوب و مهندسی رودخانه است کهکمک شایانی به کنترل و مهار خسارات ناشی از تجمع رسوب می نماید. پیشبینی دقیق مقدار رسوب اهمیت ویژه ای در مدیریت منابع آب، طراحی و بهره برداری از سازه های آبی دارد. هدف از این پژوهش ارایه روشی هوشمند به نام ماشین یادگیری شدید برای تخمین مقدار بار رسوب کل می باشد. برای این منظور از کرنل های Rbf و Lin، توابع فعال سازی نظیر Sig ،Sin ،Hardlim ،Tribas و Radbas با تعداد نرون ۵۰-۲۰-۱۰ و ۱۰۰ و نیز ۳۳۷۰ داده استفاده شده است که ۷۰ درصد آن داده های آموزش و ۳۰ درصد داده های آزمون می باشد. متغیرهای ورودی با توابع و کرنل های فوق مدل شده و پس از انتخاب بهترین مدل، نتایج حاصل با دو معادله انتقال رسوب مقایسه شدند. شاخص های آماری نشان داد که در مدل ماشین یادگیری، دقت تابع R2=0/7) Sig50 و RMSE=768/3 )برای داده های با بعد و R2=0/9) Sin10 و RMSE=493/5 )و کرنل R2=0/8) Rbf و RMSE=706/8 )برای داده های بدون بعد آزمایشگاهی بیش از سایر مدلهاست. رابطه انگلوند – هانسن( R2=0/7 و RMSE=716/4 )نیز نسبت به یانگ در برآورد باررسوب کل عملکرد بهتری دارد.