مقاله ارزیابی بار کل رسوبی رودخانه قرسو (ساوه) با استفاده از شبکه عصبی مصنوعی

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

  مقاله ارزیابی بار کل رسوبی رودخانه قرسو (ساوه) با استفاده از شبکه عصبی مصنوعی دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله ارزیابی بار کل رسوبی رودخانه قرسو (ساوه) با استفاده از شبکه 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 ارزیابی بار کل رسوبی رودخانه قرسو (ساوه) با استفاده از شبکه عصبی مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله ارزیابی بار کل رسوبی رودخانه قرسو (ساوه) با استفاده از شبکه عصبی مصنوعی :

تعداد صفحات:۸

چکیده:

برآورد صحیح حجم رسوبات حمل شده توسط رودخانه‌ها در پروژه‌های مهندسی رودخانه از اهمیت بسیاری برخوردار است، زیرا پدیده فرسایش و انتقال رسوب از پیچیده‌ترین مسائل هیدرودینامیک می‌باشد. لذا ارائه راهکاری مناسب جهت برآورد دقیق بار معلق رودخانه‌ها بسیار سودمند است. به دلیل تاثیر پارامترهای مختلف تعیین معادلات حاکم بر آن مشکل بوده و در صورت تعیین مدل ریاضی نیز از دقت کافی برخوردار نیستند. در این تحقیق با بهره‌گیری از معتبرترین داده‌های جمع‌آوری شده در چند دهه گذشته،‌امکان استفاده از شبکه‌ عصبی مصنوعی برای تخمین میزان بار رسوبی رودخانه‌ قره‌سو مورد بررسی قرار گرفت. در این مقاله از شبکه عصبی مصنوعی پیشخور پریسپترون چند لایه (MLP)، با الگوریتم انتشار به عقب خطا به عنوان شبکه‌ای متداول در پیش‌بینی و حل مسائل غیرخطی استفاده شد. اجرای شبکه عصبی مصنوعی در محیط نرم‌افزار NeuroSolution تحت ویندوز انجام شد. بر این اساس ساختارهای متفاوتی از شبکه عصبی مصنوعی (آرایش‌های سه لایه با تعداد نرون متفاوت در لایه میانی) برای مقادیر مختلف دبی رسوب ارایه شد. نتایج مدل‌ها پس از اجرا به صورت شکل، در مقایسه با دبی‌های اندازه‌گیری شده‌ی رسوب، استخراج و با محاسبه معیارهایی نظیر ضریب تعیین، میانگین جذر مربعات خطا و میانگین مطلق خدا، میزان موفقیت الگوهای پیشنهادی در توصیف سری نشان داده شد. کمتر بودن معیارهای فوق برای شبکه عصبی مصنوعی دقیق‌تر بودن نتایج مدل فوق را نسبت به مدل‌های تجربی رایج نشان داد.