به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت

جستجوی مقالات مرتبط با کلیدواژه « ایستگاه کشتارگاه » در نشریات گروه « مهندسی آب »

تکرار جستجوی کلیدواژه «ایستگاه کشتارگاه» در نشریات گروه «فنی و مهندسی»
  • مهین نظری، هدی قاسمیه*، سیدجواد ساداتی نژاد، عباسعلی ولی
    از جمله روش هایی که در چند دهه اخیر برای شبیه سازی و مدلسازی رواناب مورد استفاده قرار می گیرند، روش های هوش مصنوعی نظیر منطق فازی و ANN هستند. در این تحقیق نیز برای مدلسازی بارش- رواناب از مدل های شبکه عصبی MLP و RBF استفاده و نتایج آن با روش رگرسیون چندمتغیره مقایسه شد. در این راستا ابتدا آمار 28 سال (87-1360) بارندگی و رواناب ایستگاه های قرآن طالار و کشتارگاه در حوضه رودخانه بابلرود جمع آوری شد. سپس رواناب در این دو ایستگاه با استفاده از آزمون همگنی و نرمال سازی داده ها مدلسازی شد. پس از آن معیارهای ارزیابی (RMSE،MSE، NMSE، R و R2) در مرحله آموزش و تست به دست آمدند. سپس با استفاده از آن ها، مقادیر شبیه سازی و مشاهده شده بارندگی و رواناب ماهانه مدل های مختلف با یکدیگر مقایسه شدند. نتایج نشان داد که از میان مدل های مورد استفاده، بهترین مدل، شبکه عصبی RBF در ایستگاه کشتارگاه با معماری 4 نرون درلایه اول، 6 نرون درلایه دوم و الگوریتم مومنتم و تابع انتقال بایاس و 137 تکرار بوده است. معیارهای ارزیابی در این مدل عبارت بودند از: 716/0R=0.716، R2=0.512، NMSE=0.495، RMSE=0.13، MSE=0.017.
    کلید واژگان: هوش مصنوعی, RBF, MLP, قرآن طالار, ایستگاه کشتارگاه}
    Mahin Nazari*, Hoda Ghasemieh, Seyed, Javad Sadatinejad, Abbasali Vali
    Among methods that use for modeling and simulating of runoff are artificial intelligence techniques such as fuzzy logic and artificial neural networks. In this study، MLP and RBF models were used for rainfall-runoff modeling and their results were compared with results of multivariate regression method. In this regard، first، were gathered 28 year (1980-2008) data of rainfall and runoff related to stations of Qorantalar and Koshtargah in Babolroud river basin. Afterward، runoff was modeled using homogeneity test and normalization of data in above two stations. Then، evaluation criteria (RMSE، MSE، NMSE، R and R2) were obtained in training and testing steps. Next، using them were compared simulated and observed data related to monthly rainfall and runoff. Results showed that among the used models، RBF with architecture of 4 neurons in the first layer، 6 neurons in the second layer and momentum algorithm and bias transfer function and 137 repeats is the best model in Koshtargah station. Evaluation criteria are R=0. 716، R2=0. 512، NMSE=0. 495، RMSE=0. 13، MSE=0. 017 in this model.
    Keywords: Artificial Intelligence, RBF, MLP, Qorantalar, Koshtargah Station}
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال