مقاله برآورد عملکرد هیدرولیکی سیستم های آبیاری تحت فشار با استفاده از مدل های شبکه عصبی مصنوعی و رگرسیون ناپارامتری که چکیده‌ی آن در زیر آورده شده است، در مهر و آبان ۱۳۹۲ در آب و خاک (علوم و صنایع کشاورزی) از صفحه ۷۶۹ تا ۷۷۹ منتشر شده است.
نام: برآورد عملکرد هیدرولیکی سیستم های آبیاری تحت فشار با استفاده از مدل های شبکه عصبی مصنوعی و رگرسیون ناپارامتری
این مقاله دارای ۱۱ صفحه می‌باشد، که برای تهیه‌ی آن می‌توانید بر روی گزینه‌ی خرید مقاله کلیک کنید.
کلمات مرتبط / کلیدی:
مقاله آبیاری تحت فشار
مقاله عملکرد هیدرولیکی
مقاله شبکه عصبی مصنوعی
مقاله K نزدیک ترین همسایه

نویسنده(ها):
جناب آقای / سرکار خانم: آبابایی بهنام
جناب آقای / سرکار خانم: وردی نژاد وحیدرضا

چکیده و خلاصه‌ای از مقاله:
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.