مقاله مدل سازی بار رسوب کل رودخانه ها با استفاده از شبکه های عصبی مصنوعی که چکیده‌ی آن در زیر آورده شده است، در بهار ۱۳۹۲ در حفاظت منابع آب و خاک از صفحه ۱۳ تا ۲۵ منتشر شده است.
نام: مدل سازی بار رسوب کل رودخانه ها با استفاده از شبکه های عصبی مصنوعی
این مقاله دارای ۱۳ صفحه می‌باشد، که برای تهیه‌ی آن می‌توانید بر روی گزینه‌ی خرید مقاله کلیک کنید.
کلمات مرتبط / کلیدی:
مقاله پرسپترون چند لایه
مقاله توابع پایه شعاعی
مقاله روابط انتقال رسوب
مقاله غلظت رسوب کل

نویسنده(ها):
جناب آقای / سرکار خانم: فلامکی امین
جناب آقای / سرکار خانم: اسکندری مهناز
جناب آقای / سرکار خانم: بغلانی عبدالحسین
جناب آقای / سرکار خانم: احمدی سیداحمد

چکیده و خلاصه‌ای از مقاله:
برآورد بار رسوب کل رودخانه ها از مسائل مهم و کاربردی در مدیریت و برنامه ریزی منابع آب است. غلظت رسوب می تواند به روش های مستقیم و یا غیرمستقیم محاسبه شود که معمولا روش های مستقیم پرهزینه و زمان بر هستند. همچنین بار رسوب کل می تواند به کمک روابط مختلف انتقال رسوب محاسبه شود، لیکن به طور معمول کاربرد این روابط نیاز به شرایط معینی داشته و به علاوه در بیشتر موارد نتایج حاصل از آن ها با یکدیگر و با مقادیر اندازه گیری شده متفاوت است. هدف از این پژوهش ارائه روشی بر پایه شبکه های عصبی مصنوعی (ANN) در تخمین بار رسوب کل بود. بدین منظور از دو نوع شبکه عصبی پرسپترون چند لایه (MLP) و توابع پایه شعاعی (RBF) و ۲۰۰ نمونه، استفاده شد. ۷۵ درصد از داده ها برای آموزش و ۲۵ درصد برای آزمون شبکه ها در نظر گرفته شدند. متغیرهای ورودی مدل ها شامل سرعت متوسط جریان، شیب کف آبراهه، عمق متوسط، عرض آبراهه و قطر میانه ذرات رسوب و خروجی مدل، غلظت رسوب بود. متغیرهای ورودی مرحله به مرحله به شبکه ها اضافه شدند و هر بار نتایج ارزیابی شد تا مناسب ترین مدل تعیین شود. سپس نتایج حاصل از مدل های ANN با پنج معادله معروف انتقال رسوب مقایسه شدند. شاخص های آماری نشان داد که دقت شبکه های عصبی به ویژه مدل MLP در تخمین بار رسوب کل با ضریب همبستگی ۰٫۹۶ بیش از سایر مدل هاست. همچنین مشخص شد که برای افزایش دقت مدل نیاز به آموزش آن با هر دو نوع داده های هیدرولوژیک و رسوب است. رابطه Ackers و White در برآورد مقدار بار رسوب کل بسیار بیش برآورد و سایر روابط، کم برآورد بودند. نتایج این پژوهش نشان داد که مدل های ارائه شده بر پایه شبکه های عصبی با مقادیر رسوب کل مشاهده شده هم خوانی بیشتری دارند و بویژه شبکه MLP می تواند مقدار رسوب را در نقاط پیک به خوبی برآورد نماید.