مقاله مدلسازی بار رسوب کل رودخانهها با استفاده از شبکههای عصبی مصنوعی
توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد
مقاله مدلسازی بار رسوب کل رودخانهها با استفاده از شبکههای عصبی مصنوعی دارای ۲۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله مدلسازی بار رسوب کل رودخانهها با استفاده از شبکههای عصبی مصنوعی 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 مقاله مدلسازی بار رسوب کل رودخانهها با استفاده از شبکههای عصبی مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقاله مدلسازی بار رسوب کل رودخانهها با استفاده از شبکههای عصبی مصنوعی :
تعداد صفحات :۲۴
برآورد بار رسوب کل رودخانهها از مسائل مهم و کاربردی در مدیریت و برنامهریزی منابع آب است. غلظت رسوب میتواند به روشهای مستقیم و یا غیرمستقیم محاسبه شود که معمولاً روشهای مستقیم پرهزینه و زمانبر هستند. همچنین بار رسوب کل میتواند به کمک روابط مختلف انتقال رسوب محاسبه شود، لیکن به طور معمول کاربرد این روابط نیاز به شرایط معینی داشته و به علاوه در بیشتر موارد نتایج حاصل از آنها با یکدیگر و با مقادیر اندازهگیری شده متفاوت است. هدف از این پژوهش ارائه روشی بر پایه شبکههای عصبی مصنوعی (ANN) در تخمین بار رسوب کل بود. بدین منظور از دو نوع شبکه عصبی پرسپترون چند لایه (MLP) و توابع پایه شعاعی (RBF) و ۲۰۰ نمونه، استفاده شد. ۷۵ درصد از دادهها برای آموزش و ۲۵ درصد برای آزمون شبکهها در نظر گرفته شدند. متغیرهای ورودی مدلها شامل سرعت متوسط جریان، شیب کف آبراهه، عمق متوسط، عرض آبراهه و قطر میانه ذرات رسوب و خروجی مدل، غلظت رسوب بود. متغیرهای ورودی مرحله به مرحله به شبکهها اضافه شدند و هر بار نتایج ارزیابی شد تا مناسبترین مدل تعیین شود. سپس نتایج حاصل از مدلهای ANN با پنج معادله معروف انتقال رسوب مقایسه شدند. شاخصهای آماری نشان داد که دقت شبکههای عصبی بهویژه مدل MLP در تخمین بار رسوب کل با ضریب همبستگی ۹۶/۰ بیش از سایر مدلهاست. همچنین مشخص شد که برای افزایش دقت مدل نیاز به آموزش آن با هر دو نوع دادههای هیدرولوژیک و رسوب است. رابطه Ackersو White در برآورد مقدار بار رسوب کل بسیار بیشبرآورد و سایر روابط، کم برآورد بودند. نتایج این پژوهش نشان داد که مدلهای ارائه شده بر پایه شبکههای عصبی با مقادیر رسوب کل مشاهده شده همخوانی بیشتری دارند و بویژه شبکه MLP میتواند مقدار رسوب را در نقاط پیک به خوبی برآورد نماید.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.