بررسی مدل بارش – رواناب با استفاده از روش های شبکه عصبی مصنوعی و رگرسیونی دو متغیره آماری (مطالعه موردی در حوزه آبخیز میناب)

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

 بررسی مدل بارش – رواناب با استفاده از روش های شبکه عصبی مصنوعی و رگرسیونی دو متغیره آماری (مطالعه موردی در حوزه آبخیز میناب) دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد بررسی مدل بارش – رواناب با استفاده از روش های شبکه عصبی مصنوعی و رگرسیونی دو متغیره آماری (مطالعه موردی در حوزه آبخیز میناب)  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 بررسی مدل بارش – رواناب با استفاده از روش های شبکه عصبی مصنوعی و رگرسیونی دو متغیره آماری (مطالعه موردی در حوزه آبخیز میناب)،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن بررسی مدل بارش – رواناب با استفاده از روش های شبکه عصبی مصنوعی و رگرسیونی دو متغیره آماری (مطالعه موردی در حوزه آبخیز میناب) :

نام کنفرانس، همایش یا نشریه : پژوهش های آبخیزداری (پژوهش و سازندگی)

تعداد صفحات :۸

پیش بینی جریان روزانه رودخانه یکی از مهم ترین مسائل هیدرولوژیکی است که برای مدیریت سیلاب بسیار مهم است. مقادیر دبی عبوری رودخانه را می توان از روش های متعددی برآورد نمود، که هر یک از روش ها دارای نقاط ضعف و قوتی هستند. در خصوص مدل های بارش – رواناب به دلیل عکس العمل غیر خطی یک حوزه آبخیز به رویداد باران مساله بسیار پیچیده می گردد. علاوه بر این به دلیل تغییرات مکانی بارش در یک حوزه این پیچیدگی بیشتر نیز می شود. شبکه عصبی یک تکنیک قابل انعطاف با ساختار ریاضی است که ما را قادر می کند بدون توجه به پدیده های طبیعی روابط پیچیده غیر خطی بین داده های ورودی و خروجی را تشخیص دهیم. این تحقیق با هدف کاربرد شبکه عصبی مصنوعی در پیش بینی دبی روزانه خروجی ایستگاه میناب انجام شد و سپس با مقدار برآورد شده از روش رگرسیون دو متغیره آماری مقایسه گردید. مدل شبکه عصبی مورد استفاده در این تحقیق مدل پس انتشار خطا (BP) با تابع محرک سیگموئید می باشد. نتایج حاصل از این تحقیق نشان داد، که مقدار خطای برآوردی در روش شبکه عصبی کمتر از روش رگرسیون آماری دو متغیره می باشد. بنابراین روش شبکه عصبی مصنوعی با ضریب همبستگی (r2) در سطح معنی داری ۵ درصد، ۶۲.۹۴ درصد و خطای۱۱.۸۸ RMSE و هم چنین خطای ۳.۷ MAE از دقت بالاتری نسبت به روش رگرسیونی بر خوردار بوده و در نتیجه در مدل سازی بارش – رواناب، روش شبکه عصبی مصنوعی بر روش رگرسیون دو متغیره آماری ارجحیت دارد. در نهایت با در نظر گرفتن سادگی ساختار، نوع اطلاعات مورد نیاز مدل های شبکه عصبی مصنوعی و سرعت بالای آنها، می توان نتیجه گرفت که دقت به دست آمده در بسیاری از پروژه ها به خصوص در مراحل اول طراحی که اطلاعات موجود چندان زیاد نیستند، بسیار مطلوب می باشد.

کلید واژه: شبکه عصبی، رگرسیون، شبیه سازی بارش – رواناب، مدل پس انتشار خطا، میناب