شبیه سازی فرآیند بارش ـ روانآب با شبکه عصبی مصنوعی (ANN) و مقایسه با مدل HEC-HMS در حوزه معرف کارده

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

 شبیه سازی فرآیند بارش ـ روانآب با شبکه عصبی مصنوعی (ANN) و مقایسه با مدل HEC-HMS در حوزه معرف کارده دارای ۱۷ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد شبیه سازی فرآیند بارش ـ روانآب با شبکه عصبی مصنوعی (ANN) و مقایسه با مدل HEC-HMS در حوزه معرف کارده  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 شبیه سازی فرآیند بارش ـ روانآب با شبکه عصبی مصنوعی (ANN) و مقایسه با مدل HEC-HMS در حوزه معرف کارده،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن شبیه سازی فرآیند بارش ـ روانآب با شبکه عصبی مصنوعی (ANN) و مقایسه با مدل HEC-HMS در حوزه معرف کارده :

نام کنفرانس، همایش یا نشریه : آب و خاک (علوم و صنایع کشاورزی)

تعداد صفحات :۱۷

سیل یکی از پدیده های ویرانگر طبیعی است که پیش بینی آن از اهمیت بالایی برخوردار است. برآورد بارش – روانآب و سیل، به دلیل تاثیرگذاری عوامل مختلف، دشوار است. تاکنون روش های مختلفی برای تحلیل این پدیده ها پیشنهاد شده است. هدف این پژوهش مقایسه کارآمدی شبکه های عصبی مصنوعی (ANNs) در شبیه سازی فرآیند بارش ـ روانآب با نتایج مدل HEC-HMS است. به این منظور حوزه کارده واقع در شمال شرقی خراسان برگزیده شد و باران نمودهای چندین پیشامد بارندگی و آبنمودهای روانآب آن ها (مجموع۴۵۰ داده مربوط به ۳۰ پیشامد گزینش شده) مبنای کار قرار گرفت. سپس شبکه عصبی مصنوعی با الگوریتم پس پراکنش و استفاده از تابع تبدیل -S شکل آموزش داده شد. معیار گزینش پارامترهای شبکه در مرحله آموزش، تولید کمترین مقدار ریشه میانگین مربعات خطا (RMSE) در خروجی های آن بود. مدل HMS به روش پیشنهادی SCS اجرا گردید. برای ارزیابی کارایی ANN، داده های شبیه سازی شده و مشاهده ای مربوط به کل دبی و حجم روانآب، دبی های اوج و زمان های اوج مقایسه شدند. نتایج نشان داد که بر پایه قانون آموزش دلتا، شبکه پرسپترون چندلایه (MLP) با تعداد ۲۹ نرون در تنها لایه میانی (پنهان)، فرآیند بارش ـ روانآب را با دقت خوبی شبیه سازی می نماید. ضریب همبستگی کل داده های دبی و حجم روانآب شبیه سازی شده و مشاهده ای، به ترتیب ۰.۹۸ و ۰.۹۹ به دست آمد .ANN اندازه و زمان دبی های اوج را نیز به خوبی (به ترتیب، ۰.۹۸ و r=0.83) برآورد کرد. با بررسی عملکرد مدلHMS ، ضریب همبستگی کل داده های دبی و حجم روانآب ۰.۸۲ و ۰.۹۸ به دست آمد. همچنین ضریب همبستگی مربوط به اندازه و زمان دبی های اوج روانآب برآورد شده با مدل به ترتیب ۰.۹۷ و ۰.۷۰ برآورد شد. در آزمون t با سطح اعتماد ۹۹ درصد، اختلاف معنی داری میان اندازه های مشاهده ای و شبیه سازی شده مربوط به همه پارامترهای مورد نظر دیده نشد. در نتیجه، گرچه تفاوت معنی داری میان دو روش یافت نشد، ولی مقایسه عملکرد شبکه و مدل به کار رفته نشان می دهد که در تمام پارامترها، دقت ANN بیشتر از مدل HMS بوده است.

کلید واژه: شبیه سازی، مدل هیدرولوژیکی، بارش ـ روانآب، شبکه عصبی مصنوعی، مدل HEC-HMS، حوزه کارده