محصولات

خانه مقالات-Article مقالات عمران-Civil Articles بررسي اثر رواناب روز قبل بر بهبود عملكرد مدل بارش- رواناب روزانه با بكارگيري شبكه عصبي مصنوعي (مطالعه موردي حوزه آبريزطرق- خراسان رضوي)
بررسي اثر رواناب روز قبل بر بهبود عملكرد مدل بارش- رواناب روزانه با بكارگيري شبكه عصبي مصنوعي (مطالعه موردي حوزه آبريزطرق- خراسان رضوي)[taliem.ir]

بررسي اثر رواناب روز قبل بر بهبود عملكرد مدل بارش- رواناب روزانه با بكارگيري شبكه عصبي مصنوعي (مطالعه موردي حوزه آبريزطرق- خراسان رضوي)

رایگان!

يكي از پديده هاي حائز اهميت در هيدرولوژي فرايند بارش- رواناب مي باشد. برآورد رواناب حاصل از بارندگي در يك حوزه آبريز از جهات گوناگون از جمله  مديريت سدها و مخازن، طراحي سازه هاي كنترل و تنظيم سيلاب، كنترل فرسايش كناره و بستر رودخانه، سيستم هاي هشدار سيل و غيره از ديرباز  مورد توجه هيدرولوژيست ها بوده است. با توجه به طبيعت غيرخطي و اتفاقي پديده هاي هيدرولوژيكي، كاربرد شبكه هاي عصبي مصنوعي در اين علم  كاملاً قابل توجيه است. در اين تحقيق نوعي از شبكه هاي عصبي مصنوعي يعني شبكه هاي پرسپترون چند لايه براي مدلسازي رواناب ناشي از بارندگي  استفاده شده است، به منظور بررسي اثر رواناب روز گذشته بر عملكرد مدل بارش – رواناب، 8مدل مختلف شبكه عصبي 4كه مدل بدون ورودي رواناب روز  قبل 4و مدل ديگر با اعمال اين پارمتر ايجاد گشته بوند مورد بررسي قرار گرفتند در كه نهايت با توجه به معيار هاي و خطا نكويي برازش مشخص گرديد با كه  حذف اين عامل از مدل، خطاي شبكه حدود %70افزايش مي يابد.

توضیحات محصول

چکیده

يكي از پديده هاي حائز اهميت در هيدرولوژي فرايند بارش- رواناب مي باشد. برآورد رواناب حاصل از بارندگي در يك حوزه آبريز از جهات گوناگون از جمله  مديريت سدها و مخازن، طراحي سازه هاي كنترل و تنظيم سيلاب، كنترل فرسايش كناره و بستر رودخانه، سيستم هاي هشدار سيل و غيره از ديرباز  مورد توجه هيدرولوژيست ها بوده است. با توجه به طبيعت غيرخطي و اتفاقي پديده هاي هيدرولوژيكي، كاربرد شبكه هاي عصبي مصنوعي در اين علم  كاملاً قابل توجيه است. در اين تحقيق نوعي از شبكه هاي عصبي مصنوعي يعني شبكه هاي پرسپترون چند لايه براي مدلسازي رواناب ناشي از بارندگي  استفاده شده است، به منظور بررسي اثر رواناب روز گذشته بر عملكرد مدل بارش – رواناب، 8مدل مختلف شبكه عصبي 4كه مدل بدون ورودي رواناب روز  قبل 4و مدل ديگر با اعمال اين پارمتر ايجاد گشته بوند مورد بررسي قرار گرفتند در كه نهايت با توجه به معيار هاي و خطا نكويي برازش مشخص گرديد با كه  حذف اين عامل از مدل، خطاي شبكه حدود %70افزايش مي يابد.

 

مقدمه

بارش مهمترين و موثرترين منبع آب يك حوزه آبريز ميباشد كه با توزيع نابرابر مكاني و زماني در سطح حوزه تغيير ميكند. برآورد وپيش بيني بارش و دستيابي  به ارتباط آن با رواناب ناشي از آن، نه تنها در مديريت و بهره برداري صحيح از حوزه با اهميت است بلكه در به حداقل رساني خسارات ناشي از سيلاب و  خشكسالي نيز نقش موثري را ايفا مي كند . مديريت آبخيز، مجموعه اي از تصميم ها را در برمي گيرد كه جمع آوري و رهاسازي آب در طول زمان را  مشخص مي كند. با توجه به روشهاي مديريت و بهينه سازي حوزه هاي آبخيز، پيش بيني دقيق رواناب خروجي مي تواند در بهينه سازي مديريت آبخيز،  بسيار موثر باشد. به دليل تازه تاسيس بودن بيشتر ايستگاه هاي هيدرومتري، نواقص موجود در آمار اكثر اين ايستگاه ها، قرارگرفتن بيشتر رودها در مناطق  خشك، وضعيت بحراني برداشت آبهاي زيرزميني و لزوم توجه بيشتر به آبهاي سطحي از دلايل بيشتر و ظريفتري ميباشد كه به مقوله پيش بيني و توليد  آمار مصنوعي در حوزه هاي آبريز كشورمان جلوه و نمودي كاملتري ميبخشد.

 

ABSTRACT

One of the important phenomena in hydrology is rainfall-runoff process. Estimation of runoff from rainfall in a catchment area from various aspects such as dams and reservoirs management, design of flood control and regulation structures, river erosion control and flood alert systems, has long been of interest to hydrologists. Due to the nonlinear and accidental nature of hydrological phenomena, the use of artificial neural networks in this science is fully justified. In this research, a kind of artificial neural networks, ie multi-layer perceptron networks, has been used to model rainfall runoff. In order to investigate the effect of yesterday’s runoff on the performance of the rainfall-runoff model, 8 different models of neural network 4 that were used without runway input 4 and another model were created by applying this parameter. Finally, according to the criteria and error of fit, it was determined that with the elimination of this factor from the model, the network error increases by about 70%.

INTRODUCTION

Precipitation is the most important and most effective source of water in a catchment area that changes with spatial and temporal uneven distribution in the basin. Estimating and predicting rainfall and achieving its relation to runoff is not only important in the management and proper use of the area but also in minimizing flood damage and drought. Watershed management includes a set of decisions that specify the collection and release of water over time. Regarding the management and optimization methods of watersheds, accurate prediction of outflow runoff can be very effective in optimizing watershed management. Due to the newly established hydrometric stations, the deficiencies in the statistics of most of these stations, the presence of more rivers in arid areas, the critical situation of groundwater abstraction and the need for more attention to surface water are more and more delicate reasons for the prediction and The production of artificial stones in our country’s waters makes it more complete.

Year: 2011

Publisher : Sixth National Congress on Civil Engineering

By : Bahram Jafar Tabatabaei, Mehdi Azhdari Moghaddam, Hossein Shah Heydari

File Information: persian Language/ 7 Page / size: 834 KB

Only site members can download free of charge after registering and adding to the cart

Download tutorial

سال : 1390

ناشر : ششمین کنـگره ملی مهنـدسی عمـران

کاری از : بهرام جعفرطباطبايي ،مهدي اژدري مقدم ،حسين شاه حيدري

اطلاعات فایل : زبان فارسی / 7 صفحه / حجم : KB 834

فقط اعضای سایت پس از ثبت نام و اضافه کردن به سبد خرید می توانند دانلود رایگان کنند.خوشحال می شویم به ما پبیوندید

آموزش دانلود

دیدگاه‌ها

هیچ دیدگاهی برای این محصول نوشته نشده است.

Be the first to review “بررسي اثر رواناب روز قبل بر بهبود عملكرد مدل بارش- رواناب روزانه با بكارگيري شبكه عصبي مصنوعي (مطالعه موردي حوزه آبريزطرق- خراسان رضوي)”