مقاله پیش بینی جریان ورودی با استفاده از مدل شبکه عصبی مصنوعی و مدل مفهومی mike-NAM ( مطالعه موردی: حوض ا… جوکنک)

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

  مقاله پیش بینی جریان ورودی با استفاده از مدل شبکه عصبی مصنوعی و مدل مفهومی mike-NAM ( مطالعه موردی: حوض ا… جوکنک) دارای ۱۲ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیش بینی جریان ورودی با استفاده از مدل شبکه عصبی مصنوعی و مدل مفهومی mike-NAM ( مطالعه موردی: حوض ا… جوکنک)  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 پیش بینی جریان ورودی با استفاده از مدل شبکه عصبی مصنوعی و مدل مفهومی mike-NAM ( مطالعه موردی: حوض ا… جوکنک)،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیش بینی جریان ورودی با استفاده از مدل شبکه عصبی مصنوعی و مدل مفهومی mike-NAM ( مطالعه موردی: حوض ا… جوکنک) :

تعداد صفحات:۱۲

چکیده:

پیش بینی جریان از پارامترهای مهم در برنامه ریزی منابع آب و کاهش خسارات ناشی از سیلاب می باشد. روشهای مختلفی جهت پیش بینی جریان یا به عبارتی ایجاد مدل بارش رواناب وجود دارد، از فرمولهای تجربی و منطقه ای گرفته تا روشهای سری زمانی و مدلهای مفهومی. در سالهای اخیر توجه زیادی به استفاده ازمدلهای شبکه های عصبی مصنوعی و نیز مدلهایفازی-عصبی شده است. در هر منطقه با توجه به شرایط منطقه و نیز آمار و اطلاعات موجود باید مدل بهینه انتخاب شود . در این مقاله مدل بارش رواناب توسط شبکه های عصبی مصنوعی و مدل مفهومی Mike-NAM در مقیاس ماهانه برای حوزه آبریز الله- جوکنک تهیه می شود . شبکه های عصبی مصنوعی ابزار مناسبی برای ایجاد رابطه بین مقادیر ورودی و خروجی می باشد، خصوصاً در شرایطی که با روابط پیچیده و غیر خطی سر کار داریم . پارامترهای ورودی شبکه عصبی شامل دبی و بارش می باشد و خروجی شبکه دبی رود می باشد .مدل مفهومی نم یک مدل یکپارچه بارش رواناب می باشد که مولفه جریان سطحی ، نفوذ و جریان پایه که مولفه های مهم در رواناب حوضه می باشد را مدل می کند . این مدل دارای ۹ پارامتر اصلی می باشد که می بایست کالیبره شود که پس از کالیبره شدن می تواند رواناب را به صورت کوتاه مدت و بلند مدت پیش بینی کند. در نهایت به مقایسه دو مدل پرداخته می شود.