توضیحات
چکیده
تهيه مدل هاي پيش بيني جريان رودخانه يكي از مهمترين مسائل در برنامه ريزي و مديريت منابع آب مي باشد. روشهاي مرسوم گذشته در اين زمينه، عمدتا در قالب مدل هاي قطعي و اتفاقي بوده اند. ايجاد مدل پيش بيني جريان بر اساس روش هاي قبلي معمولا زمان زيادي نياز دارد، به طوري كه مثلا درمورد مدل هاي رگرسيوني، با افزايش آمار و اطلاعات، لازم است كليه معادلات را مجددا ارزيابي و اصلاح نمود، اما در روش هاي اخير نياز به تغييرات گسترده نيست. از جمله روشهايي كه امروزه در كنار روشهاي كلاسيك مطرح شده، استفاده از شبكه هاي عصبي مصنوعي مي باشد. در اين پژوهش از دو نوع شبكه عصبي مصنوعي MLPو GRNNجهت پيش بيني جريان، استفاده شده است كه در هر مورد شبكه با ورودي هاي مختلف مورد بررسي قرار گرفته است و در نهايت ميزان وابستگي زماني پارامترهاي تأثير گذار بر دبي رودخانه با استفاده از آناليز خطاي شبكه در هر حالت بدست آمده است. همچنين از مدل هاي رگرسيون خطي مركب يا چند متغيره نيز به منظور مقايسه با شبكه هاي عصبي استفاده شده است، بدين منظور مشابه مدل هاي شبكه عصبي، مدل هاي رگرسيوني نيز با متغيرهاي وابسته متفاوت مورد بررسي قرار رفتند و در نهايت نتايج تمامي مدل ها با توجه به معيارهاي سنجش خطا و نكوئي برازش ارزيابي گرديده و مدل نهايي انتخاب شده است كه بيانگر عملكرد بهتر شبكه هاي عصبي مصنوعي نسبت به مدل هاي رگرسيوني به خصوص در مورد مدل هاي با تعداد متغير وابسته بيشتر، مي باشد.
مقدمه
با توجه به طبيعت غيرخطي و اتفاقي پديده هاي هيدرولوژيكي، كاربرد شبكه هاي عصبي مصنوعي در اين علم كاملاً قابل توجيه است. در سالهاي خير در گرايش هاي مختلف علوم، كاربردهاي متفاوتي از مدل شبكه هاي عصبي مصنوعي ارائه شده است. استفاده از اين تكنيك در شاخه هاي مختلف هيدرولوژي از جمله هواشناسي به دليل عدم قطعيت در آمار نيز رو به افزايش ميباشد. از جملة مسائل هيدرولوژيكي كه در سالهاي اخير توسط شبكه هاي عصبي مصنوعي بررسي شده اند ميتوان به پيشبيني سيل، تخمين و پيشبيني مكاني بارندگي، پيش بيني زماني بارندگي، تخمين منحني دبي اشل در رودخانه ها، مدلسازي بارش – رواناب، پيشبيني تقاضاي آب، تجزية زماني بارندگي، مدلسازي كيفيت آب, مديريت آبهاي زيرزميني، و… اشاره نمود.
ABSTRACT
Preparation of river flow prediction models is one of the most important issues in water resources planning and management. The traditional methods used in this field, mainly in the form of definite and coincidental models. Generating a flow prediction model based on previous methods usually takes a lot of time, so for example, regression models, for example, need to re-evaluate and correct all the equations with increasing statistics and data, but in recent methods, changes need to be made. Is not extensive. One of the methods that today, along with classic approaches, is the use of artificial neural networks. In this study, two types of artificial neural networks MLP and GRNN were used to predict the flow. In each case, the network with different inputs was investigated and ultimately, the time dependence of the parameters influencing the discharge of the river using the network error analysis In each case. Also, combined or multivariate linear regression models have been used to compare with neural networks. To this end, similar to neural network models, regression models were also investigated with different dependent variables. Finally, the results of all models with Considering the criteria for estimation of error and prone fitness, and the final model has been selected which indicates better performance of artificial neural networks than regression models, especially for models with more dependent variables.
INTRODUCTION
Due to the nonlinear and accidental nature of hydrological phenomena, the use of artificial neural networks in this science is fully justified. In different years, different applications of the artificial neural network model have been presented in different fields of science. The use of this technique in different branches of hydrology, including meteorology, is also increasing due to uncertainty in statistics. Among the hydrological issues that have been investigated by artificial neural networks in recent years, flood forecasting, spatial forecasting and prediction, rainfall forecasting, flood discharge estimation in rivers, rainfall-runoff modeling, water demand forecasting, and decomposition Rainfall time, water quality modeling, groundwater management, and so on.
Year: 2011
Publisher : Sixth National Congress on Civil Engineering
By : Mohammad Reza Fallah Haggoogh Lilastani, Mohammad Bagher Sharifi
File Information: persian Language/ 8 Page / size: 567 KB
Only site members can download free of charge after registering and adding to the cart
سال : 1390
ناشر : ششمین کنـگره ملی مهنـدسی عمـران
کاری از : محمد رضا فلاح حقگو ليالستاني ، محمد باقر شريفي
اطلاعات فایل : زبان فارسی / 8 صفحه / حجم : KB 567
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.