مقاله پیش بینی جریان رودخانه ها با استفاده از شبکه های عصبی مصنوعی(مطالعه موردی:رودخانه کارون، ایستگاه پل شالو)

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

  مقاله پیش بینی جریان رودخانه ها با استفاده از شبکه های عصبی مصنوعی(مطالعه موردی:رودخانه کارون، ایستگاه پل شالو) دارای ۱۱ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیش بینی جریان رودخانه ها با استفاده از شبکه های عصبی مصنوعی(مطالعه موردی:رودخانه کارون، ایستگاه پل شالو)  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 رودخانه ها با استفاده از شبکه های عصبی مصنوعی(مطالعه موردی:رودخانه کارون، ایستگاه پل شالو)،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیش بینی جریان رودخانه ها با استفاده از شبکه های عصبی مصنوعی(مطالعه موردی:رودخانه کارون، ایستگاه پل شالو) :

تعداد صفحات:۱۱

چکیده:

امروزه یکی از مهمترین مسائل جهت مدیریت سیلاب، پیش¬بینی جریان رودخانه¬ها می¬باشد. جلوگیری از صدمات اقتصادی و جانی ناشی از سیلاب یکی از مهمترین دستاوردهای پیش¬بینی صحیح جریان می¬باشد. فاکتورها و عوامل مختلفی بر روی دبی رودخانه تاثیر¬گذار می¬باشند که تحلیل این پدیده را مشکل می¬سازند. مدلهای فیزیکی-مفهومی، رگرسیونی و سری¬های زمانی از معمولترین روشهای تحلیل جریان رودخانه می¬باشند که با توجه به حل خطی پدیده پیچیده جریان رودخانه یا کمبود اطلاعات مورد نیاز، نتایجی همراه با خطا ارائه می¬دهند. امروزه شبکه¬های عصبی مصنوعی با توجه به توانایی در حل پدیده¬های غیر¬خطی و پیچیده، کاربردهای فراوانی در مسائل هیدرولوژی پیدا کرده¬اند، که در این مطالعه نیز به ارزیابی توانایی این شبکه¬ها در پیش¬بینی جریان رودخانه¬ها پرداخته شده است. در این تحقیق با استفاده از اطلاعات تبخیر و تعرق، باران¬سنجی و دبی ایستگاه¬های بالادست پل¬شالو، به پیش¬بینی دبی رودخانه کارون در ایستگاه هیدرومتری پل¬شالو پرداخته شد. الگوهای مختلفی از اطلاعات ایستگاه¬های بالادست در همان روز، یک روز قبل و دو روز قبل به منظور ورودی شبکه استفاده شده است. از الگوریتم پس انتشار خطا (BP) جهت آموزش و تست شبکه بهره برده شد و نتایج به¬دست آمده با نتایج حاصل از روش رگرسیون مقایسه شد. با توجه به معیارهای ضریب همبستگی و خطای RMSE، نتایج حاصل از آموزش و تست شبکه نشان داد که شبکه¬های عصبی مصنوعی می¬توانند جریان رودخانه را با ضریب همبستگی زیاد (بیشتر از ۹۴ درصد) و خطای کم پیش¬بینی کنند.