مدل سازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی و شبکه فازی- عصبی تطبیقی در حوزه آبخیز کسیلیان

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

 مدل سازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی و شبکه فازی- عصبی تطبیقی در حوزه آبخیز کسیلیان دارای ۱۳ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مدل سازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی و شبکه فازی- عصبی تطبیقی در حوزه آبخیز کسیلیان  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 مدل سازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی و شبکه فازی- عصبی تطبیقی در حوزه آبخیز کسیلیان،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مدل سازی بارش- رواناب با استفاده از شبکه عصبی مصنوعی و شبکه فازی- عصبی تطبیقی در حوزه آبخیز کسیلیان :

نام کنفرانس، همایش یا نشریه : پژوهشنامه مدیریت حوزه آبخیز

تعداد صفحات :۱۳

مدل سازی فرآیند بارش – رواناب و پیش بینی دبی رودخانه یک اقدام مهم در مدیریت و مهار سیلاب ها، طراحی سازه های آبی در حوزه های آبخیز و مدیریت خشکسالی است. هدف این تحقیق شبیه سازی جریان روزانه در حوزه آبخیز کسیلیان با استفاده از شبکه عصبی مصنوعی و شبکه عصبی- فازی تطبیقی است. روش های هوشمند دارای قابلیت بالایی برای برقراری ارتباط بین داده های ورودی و خروجی می باشند. در این تحقیق از آمار بارش، تبخیر و دما ایستگاه هواشناسی سنگده که ورودی مدل ها و آمار دبی ایستگاه ولیک بن که خروجی مدل ها محسوب می شود طی سال های ۱۳۸۲ تا ۱۳۸۸ استفاده شد. تعداد تاخیرهای لازم برای ورود متغیر های ورودی به شبکه ها با استفاده از نمودار خودهمبستگی جزئی به دست آمد. از بین متغیرهای مختلف در هر دو مدل ساختار بارش و تبخیر با یک روز تاخیر برای مدل بهینه انتخاب شد. سپس نتایج با استفاده از نمایه های RMSE، NSH، MAE و Rmod برای مدل بهینه در هر دو مدل ارزیابی گردید. نتایج نشان داد که شبکه عصبی- فازی تطبیقی با تابع عضویت زنگوله ای شکل، شعاع تاثیر ۰.۱۴ و نمایه های آماری NSH=0.80، RMSE=0.056، MAE=0.11 و Rmod=0.81 نسبت به مدل شبکه عصبی مصنوعی با همان ساختار با الگوریتم آموزشی لونبرگ- مارکوارت، تابع انتقال سیگمویید،۱۴ نرون در لایه مخفی و نمایه های آماری NSH=0.54، RMSE=0.056، MAE=0.14 و Rmod=0.87 در دوره آزمون توانایی بهتری برای مدل سازی بارش – رواناب در حوزه آبخیز کسیلیان دارد.

کلید واژه: مدلسازی بارش- رواناب، حوزه آبخیز کسیلیان، شبکه عصبی مصنوعی، شبکه عصبی- فازی تطبیقی