پیش بینی جریان رودخانه با استفاده از سیستم مصنوعی(مطالعه موردی رودخانه شورقاین)

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

 پیش بینی جریان رودخانه با استفاده از سیستم مصنوعی(مطالعه موردی رودخانه شورقاین) دارای ۱۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد پیش بینی جریان رودخانه با استفاده از سیستم مصنوعی(مطالعه موردی رودخانه شورقاین)  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 پیش بینی جریان رودخانه با استفاده از سیستم مصنوعی(مطالعه موردی رودخانه شورقاین)،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن پیش بینی جریان رودخانه با استفاده از سیستم مصنوعی(مطالعه موردی رودخانه شورقاین) :

تعداد صفحات :۱۶

چکیده مقاله:

در کشور ما اغلب رودخانه های مناطق اقلیمی گرم و خشک، فصلی بوده و بسیاری از آنها سیلابی هستند. این مسئله به همراه دغدغه کمبود منابع آب و ضرورت مهار آب های سطحی، شناسایی، مدل سازی و شبیه سازی رفتار رودخانه ها به منظور انجام برنامه ریزی های بلندمدت و بهره برداری مناسب و مکان از پتانسیل جریان های زورخانه ای را ضروری می سازد. پدیده بارندگی و رواناب حاصل از آن در حوزه های آبریز و پیش بینی آن ها، از نوع سیستم های غیر خطی می باشند. شبکه های عصبی مصنوعی در سیستم های غیرخطی نامعین که روابط بین اجزا و پارامترهای سیستم به خوبی شناخته نشده و توصیه پذیر نمی باشد، قادر به تحلیل شبیه سازی پدیده ها هستند.رودخانه شور قاین به طول ۱۰۰ کیلومتر تازه ترین رودخانه فصلی شهرستان قاینات و مهم ترین منبع تأمین آب سد ذخیره ای فرخی می باشد. لذا در تحقیق حاضر براساس آمار بارندگی و رواناب ایستگاه هیدرومتری خونیک علیا و ایستگاه سینوپتیک قاین در حد فاصل سال های ابی ۱۳۵۶ – ۱۳۵۵ و ۱۳۹۰ – ۱۳۸۹ به پیش بینی پدیده بارش – رواناب رودخانه مذکور پرداخته شد. انجام محاسبات از نرم افزار متلب استفاده شده است. برای مدل سازی توسط شبکه عصبی مصنوعی ۸۵% داده ها برای آموزش روش پیشنهادی و ۱۵% مابقی جهت صحت سنگی روش مذکور با تعداد ۱۰ نرون مورد استفاده قرار گرفت و برای هر ماهیک شبکه با خطای کمتر از ۵ درصد طراحی شد. حداکثر ضریب همبستگی در مرحله ای ارزیابی مربوطه فروردین ماه با مقدار ۹۹% و حداقل آن مربوط به ماه های خرداد و مرداد تا ۹۲% می باشد . به طور کلی نتایج به دست آمده حاکی از عملکرد مطلوب شبکه های عصبی مصنوعی در پیش بینی رواناب ناشی از بارندگی دارد. همچنین مشخص گردید با استاندارد کردن داده ها می توان به نتیجه بهتری جهت پیش بینی رسید.