برآورد عملکرد هیدرولیکی سیستم های آبیاری تحت فشار با استفاده از مدل های شبکه عصبی مصنوعی و رگرسیون ناپارامتری

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

 برآورد عملکرد هیدرولیکی سیستم های آبیاری تحت فشار با استفاده از مدل های شبکه عصبی مصنوعی و رگرسیون ناپارامتری دارای ۱۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد برآورد عملکرد هیدرولیکی سیستم های آبیاری تحت فشار با استفاده از مدل های شبکه عصبی مصنوعی و رگرسیون ناپارامتری  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 برآورد عملکرد هیدرولیکی سیستم های آبیاری تحت فشار با استفاده از مدل های شبکه عصبی مصنوعی و رگرسیون ناپارامتری،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن برآورد عملکرد هیدرولیکی سیستم های آبیاری تحت فشار با استفاده از مدل های شبکه عصبی مصنوعی و رگرسیون ناپارامتری :

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

تعداد صفحات :۱۴

در این مطالعه به منظور برآورد شاخص های عملکرد هیدرولیکی سیستم آبیاری تحت فشار، جایگزینی مدل های هیدرولیکی با استفاده از مدل های آماری و شبکه عصبی مصنوعی مورد ارزیابی قرار گرفت. ضریب یکنواختی کریستیانسن به عنوان شاخص عملکرد هیدرولیکی، در نظر گرفته شد و با استفاده از یک الگوریتم، مقادیر این شاخص به صورت تابعی از ترکیب های مختلف فشار ورودی، تعداد خروجی ها، فاصله خروجی ها، ضریب زبری لوله، قطر داخلی، شیب، دبی اسمی خروجی ها، فشار کارکرد خروجی ها و توان معادله دبی خروجی ها محاسبه گردید (۴۳۲۰ ترکیب مختلف). دو مدل شبکه عصبی مصنوعی شامل شبکه پرسپترون چندلایه (MLP) و شبکه رگرسیون تعمیم یافته (GRNN) و نیز روش K نزدیک ترین همسایه (KNN) به عنوان یک مدل رگرسیون ناپارامتری برای شبیه سازی شاخص عملکرد هیدرولیکی لاترال ها مورد آزمون قرار گرفتند. نتایج نشان داد که مدل شبکه عصبی مصنوعی MLP قادر است با کمترین خطا (%۲-۳) مقادیر ضریب یکنواختی لاترال های آبیاری تحت فشار را با استفاده از مشخصات هیدرولیکی و فیزیکی لاترال برآورد نماید. عملکرد مدل GRNN نیز به ویژه در ارتباط با کل داده ها در سطح نسبتا مطلوبی ارزیابی گردید. اما روش KNN علیرغم شبیه سازی دقیق متوسط مقادیر CU، قادر به شبیه سازی دقیق انحراف استاندارد این مقادیر نبوده و خطای آن در مرحله آزمون بسیار بیشتر از دو مدل دیگر برآورد گردید. در روش KNN، کمترین مقدار شاخص های خطا مربوط به رگرسیون ناپارامتری با ۱۰ و ۱۵ همسایه می باشد. نتایج این مطالعه نشان داد که امکان ساده سازی مدل های پیچیده هیدرولیکی با جایگزینی کل یا بخشی از این مدل ها با مدل های ساده تر آماری و شبکه عصبی وجود دارد و این مساله با توجه به پیچیدگی مدل های هیدرولیکی، به ویژه در فرآیند بهینه سازی سیستم های آبیاری، می تواند مورد توجه قرار گیرد.

کلید واژه: آبیاری تحت فشار، عملکرد هیدرولیکی، شبکه عصبی مصنوعی، K نزدیک ترین همسایه