قابلیت شبکه های عصبی مصنوعی جهت مدل سازی چند ایستگاهه بار معلق در مقایسه با روش منحنی سنجه رسوب

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

 قابلیت شبکه های عصبی مصنوعی جهت مدل سازی چند ایستگاهه بار معلق در مقایسه با روش منحنی سنجه رسوب دارای ۱۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد قابلیت شبکه های عصبی مصنوعی جهت مدل سازی چند ایستگاهه بار معلق در مقایسه با روش منحنی سنجه رسوب  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 قابلیت شبکه های عصبی مصنوعی جهت مدل سازی چند ایستگاهه بار معلق در مقایسه با روش منحنی سنجه رسوب،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن قابلیت شبکه های عصبی مصنوعی جهت مدل سازی چند ایستگاهه بار معلق در مقایسه با روش منحنی سنجه رسوب :

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

تعداد صفحات :۱۴

رسوبات حمل شده توسط رودخانه می تواند باعث به وجود آمدن خساراتی به اراضی کشاورزی و تاسیسات آبی گردد. برآورد صحیح بار رسوب در تاسیسات آبی مانند سدها باعث جلوگیری از صرف هزینه های اضافی خواهد شد. کشور ما ایران با دارا بودن رودخانه های متعدد، پتانسیل بالایی جهت ایجاد سد دارد. یکی از دلایل آن کاهش یافتن ظرفیت انتقال آب توسط مقطع رودخانه به دلیل انباشتگی رسوبات می باشد. لذا بررسی پدیده رسوب و برآورد رسوب حمل شده توسط رودخانه اهمیت خاصی دارد. در این راستا تخمین بار معلق رسوب، توجه مدل ساز های شبکه های عصبی مصنوعی را به خود معطوف کرده است. در این تحقیق از شبکه های عصبی مصنوعی برای برآورد رسوب ایستگاه آخولا واقع بر روی رودخانه آجی چای در استان آذربایجان شرقی استفاده شد. اطلاعات این ایستگاه شامل دبی و رسوب روزانه می باشد. در مراحل مختلف برآورد اثر ترکیبی عوامل مختلف دبی آب و دبی رسوب در کارایی شبکه، مورد بررسی قرار گرفت. به منظور بررسی تاثیر رسوب و دبی ایستگاه های بالادست، علاوه بر داده های ایستگاه آخولا از داده های ایستگاه های ونیار و مرکید نیز برای آموزش شبکه عصبی بکار رفت که بهترین نتیجه را در پی داشت. از روش کلاسیک منحنی سنجه نیز برای برآورد رسوب این ایستگاه استفاده گردید. برای بهینه سازی ضرایب رگرسیونی منحنی سنجه از الگوریتم ژنتیک استفاده شد و البته نتایج بهتری نسبت به روش کلاسیک نداد. با توجه به نتایج بدست آمده تخمین با رسوب در چند ایستگاه با استفاده از شبکه های عصبی، کارآیی بهتری داشت.

کلید واژه: الگوریتم پس انتشار خطا، بار معلق رسوب، تخمین چند ایستگاهه، شبکه های عصبی مصنوعی