تحلیل رسوب معلق ورودی به مخزن سد کوثر خلخال با استفاده از شبکه های عصبی مصنوعی و مقایسه آن با روش رگرسیون خطی چند متغیره

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

 تحلیل رسوب معلق ورودی به مخزن سد کوثر خلخال با استفاده از شبکه های عصبی مصنوعی و مقایسه آن با روش رگرسیون خطی چند متغیره دارای ۲۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد تحلیل رسوب معلق ورودی به مخزن سد کوثر خلخال با استفاده از شبکه های عصبی مصنوعی و مقایسه آن با روش رگرسیون خطی چند متغیره  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 تحلیل رسوب معلق ورودی به مخزن سد کوثر خلخال با استفاده از شبکه های عصبی مصنوعی و مقایسه آن با روش رگرسیون خطی چند متغیره،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن تحلیل رسوب معلق ورودی به مخزن سد کوثر خلخال با استفاده از شبکه های عصبی مصنوعی و مقایسه آن با روش رگرسیون خطی چند متغیره :

تعداد صفحات :۲۶

چکیده مقاله:

برآورد صحیح حجم رسوبات حمل شده توسط رودخانه ها در پروژه های آبیاری از اهمیت بسیاری برخوردار است. پدیده های فرسایش و انتقال رسوب در آبراهه ها ورودخانه ها از پیچیده ترین مباحث مهندسی رودخانه می باشد.فرسایش زیاد وانتقال دایم این مواد نه تنها باعث برهم خوردن تعادل طبیعی رودخانه و آبراهه می شود، بلکه سبب ایجادخساراتی ازقبیل تغییرمسیررودخانه،انباشت رسوبات درپشت سدهاوکاهش حجم مفید آن ها نیز می گردد.شبکه های عصبی مصنوعی یک روش کاملا غیرخطی است که می تواند تقابل و ارتباط پیچیده ای بین پارامترهای ورودی و خروجی بدون داشتن دانش قبلی درباره طبیعت آن ها ایجاد کند .این تحقیق به بررسی توانایی شبکه عصبی مصنوعی (ANN) و تعیین بهترین مدل برای پیش بینی بار رسوبات معلق روزانه ورودی به مخزن سد کوثر خلخال در رودخانه هیروچای ، واقع در شمال غرب ایران می باشد. ۱۴۷ داده روزانه برای پیش بینی بار معلق روزانه (SSL) استفاده شده است.الگوی باررسوب معلق واردبر مخزن با شبکه ی عصبی Backpropegation، و ساختار ۱-۱-۳ برای مرحله آموزش و ۱-۸-۳ برای مرحله آزمون و با استفاده ازالگوریتم Feed-Forward Backpropagation، و تابع آموزشی LM یا همان Levenberg Marquardt، و تابع فعالیت زیگمویید برای لایه میانی و خطی برای لایه خروجی، حاصل شده استدر نهایت با مقایسه دو ساختار موجود، ساختار ۱-۱-۳ شبکه عصبی، برای ارایه بهترین مدل باررسوب معلق ورودی به مخزن سد انتخاب شده و بر پایه چندین شاخص عملکرد معلوم گردیده است که شبکه ی عصبی مصنوعی با ساختار مذکور، باررسوب معلق ورودی به مخزن سد را با دقت بالاتری در مقایسه با تحلیل معمول رگرسیونی تخمین زده است.