آمار
| تعداد نشریات | 14 |
| تعداد شماره‌ها | 689 |
| تعداد مقالات | 7,127 |
| تعداد مشاهده مقاله | 11,361,894 |
| تعداد دریافت فایل اصل مقاله | 10,293,840 |
مقایسه روش های هوش مصنوعی در برآورد بار معلق رسوب (مطالعه موردی: رودخانه سیستان) | ||
| مجله پژوهش‌های حفاظت آب و خاک | ||
| مقاله 3، دوره 22، شماره 2، شهریور 1394، صفحه 41-60 اصل مقاله (633.08 K) | ||
| نوع مقاله: مقاله کامل علمی پژوهشی | ||
| نویسندگان | ||
| زینب شیخعلی پور* 1؛ فرزاد حسن پور2؛ وحید عظیمی3 | ||
| 1دانشجوی کارشناسی ارشد | ||
| 2استادیار گروه مهندسی آب | ||
| 3دانش آموخته گروه مهندسی آب | ||
| چکیده | ||
| سابقه و هدف: برآورد صحیح حجم رسوبات معلق در رودخانه‌ها، یکی از مهم‌ترین مسائل در پروژه‌های مهندسی رودخانه، منابع آب و محیط‌زیست می‌باشد. رودخانه سیستان شاخه اصلی منشعب از رودخانه هیرمند بوده که وظیفه آبیاری 70 درصد زمین‌های کشاورزی دشت سیستان و همچنین تأمین بخشی از آب هامون هیرمند را به عهده دارد. با توجه به مشکلات زیاد ناشی از رسوبات در رودخانه‌ها، محققین علم رسوب تلاش‌های زیادی به‌منظور دستیابی به روابط انتقال رسوب بر اساس مطالعات آزمایشگاهی و میدانی انجام داده‌اند. به دلیل کثرت پارامترهای دخیل در انتقال رسوبات و همچنین پیچیدگی فرآیند فرسایش و انتقال ذرات، اکثر روابط رسوب نیاز به حل معادلات پیچیده ریاضی داشته و نتیجه دقیقی نمی‌دهند، از سوی دیگر روابط رگرسیونی مابین دبی آب و دبی رسوب نیز دارای ضریب همبستگی مطلوبی نمی‌باشند. کوبانار و همکاران (2008) توانایی روش نروفازی در تخمین غلطت رسوب معلق را با سه روش مختلف شبکه عصبی مصنوعی مقایسه کردند. نتایج مقایسه نشان داد که مدل‌های نروفازی برای مجموعه داده‌های این تحقیق نتایج بهتری نسبت به سایر مدل‌ها دارند (8). آیتک و کیشی (2008) مدلی ضمنی بر پایه برنامه‌ریزی ژنتیک توسعه دادند. نتایج تحقیق آن‌ها نشان داد که فرمول پیشنهادی برنامه‌ریزی ژنتیک نسبت به منحنی سنجه رسوب و رگرسیون چندخطی کاملاً خوب بوده و کاربرد آن خیلی عملی است (3). مواد و روش‌ها: در سال‌های اخیر استفاده از سیستم‌های هوشمند در راستای افزایش دقت برآورد میزان رسوبات رودخانه مرسوم گردیده است. در این پژوهش از سیستم‌های هوشمند شامل شبکه‌های عصبی مصنوعی، سیستم استنتاج تطبیقی عصبی- فازی و برنامه‌ریزی بیان ژن به‌منظور پیش‌بینی بار معلق رسوب رودخانه سیستان استفاده گردید. برای ارزیابی دقت مدل‌ها از شاخص‌های آماری میانگین مربعات خطا (RMSE)، خطای سوء گیری (MBE) و ضریب تعیین (R2) استفاده شد. یافته‌ها: در میان روش‌های هوش مصنوعی سناریوی سوم سیستم استنتاج تطبیقی عصبی- فازی با مقدار خطای جذر میانگین مربعات 43/20983 و ضریب همبستگی 97/0 بهترین نتیجه را در برآورد بار معلق رسوب دارد. همچنین بین نتایج روش‌های هوشمند اختلاف معنی‌داری در سطح 95% وجود نداشته و با توجه به مقادیر خطا هر سه روش از دقت بالایی برخوردارند. نتیجه‌گیری: با توجه به نتایج به‌دست‌آمده در این تحقیق سه روش بکار رفته برای تخمین بار معلق رسوب مناسب می‌باشند اما روش برنامه‌ریزی بیان ژن به دلیل ارائه رابطه ریاضی برای مدل نسبت به دو مدل دیگر ارجح است. تأثیر چشمگیر استفاده از دبی کلاسه‌بندی شده در دقت تخمین بار معلق رسوب پرواضح است. با توجه به نتایج تحقیق پیشنهاد می‌گردد برآورد بار معلق رسوب رودخانه سیستان با استفاده از روش‌های هوش مصنوعی انجام شود. | ||
| کلیدواژه‌ها | ||
| بار معلق؛ رودخانه سیستان؛ شبکه عصبی مصنوعی؛ سیستم استنتاج تطبیقی عصبی- فازی؛ برنامه ریزی بیان ژن | ||
|
آمار تعداد مشاهده مقاله: 3,413 تعداد دریافت فایل اصل مقاله: 2,384 |
||
سامانه مدیریت نشریات علمی. طراحی و پیاده سازی از سیناوب