- همه نشریات
- علوم آب و خاک
- علوم اقتصاد و ترویج کشاورزی
- علوم جنگل, مرتع و آبخیزداری
- علوم دامی و شیلات
- علوم زراعی و باغی
- علوم گیاهپزشکی
- علوم مهندسی و مکانیزاسیون کشاورزی
- مجلات ترویجی
- نشریات انجمن ها
- نشریات با زبان انگلیسی
- نشریات با زبان فارسی
- نشریات ترویجی کشاورزی
- نشریات دانشگاه آزاد اسلامی
- نشریات علمی پژوهشی
- نشریات علمی پژوهشی سازمان تحقیقات, آموزش و ترویچ
- نشریات علمی ترویجی
آمار
| تعداد نشریات | 273 |
| تعداد نشریات سازمان | 72 |
| تعداد شماره‌ها | 1,644 |
| تعداد مقالات | 18,923 |
| تعداد مشاهده مقاله | 10,470,820 |
| تعداد دریافت فایل اصل مقاله | 7,888,482 |
کاربرد شبکه عصبی موجک در تخمین رسوبات معلق رودخانه ها (مطالعه موردی: رودخانه کشکان_لرستان) | ||
| مهندسی و مدیریت آبخیز | ||
| مقالات آماده انتشار، پذیرفته شده ، انتشار آنلاین از تاریخ 18 فروردین 1398 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2018.116846.1411 | ||
| نویسندگان | ||
حسن ترابی پوده  1؛ احمد گودرزی2؛ رضا دهقانی3
| ||
| 1هیات علمی گروه مهندسی آب، دانشگاه لرستان | ||
| 2دانشجوی دکترای سازه های ابی | ||
| 3دانشجو | ||
| چکیده | ||
| شبیه سازی و ارزیابی آورد رسوب رودخانه از جمله مسائل مهم در مدیریت منابع آب می باشد. اندازه گیری مقدار رسوب به روش های متداول عموماً مستلزم صرف وقت و هزینه زیادی بوده و گاهی از دقت کافی نیز برخوردار نمی باشد. در این پژوهش جهت تخمین رسوبات رودخانه کشکان واقع در استان لرستان، از شبکه عصبی موجک استفاده گردید و نتایج آن با روشهای مرسوم هوشمند همچون شبکه عصبی مصنوعی مقایسه شد. پارامتر دبی، دما، میزان مواد جامد محلول در آب و بارش بعنوان ورودی و دبی رسوب بعنوان خروجی مدل در مقیاس زمانی ماهانه طی دوره آماری (1364-1393) انتخاب گردید. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا و ضریب نش ساتکلیف برای ارزیابی و نیز مقایسه عملکرد مدل ها مورد استفاده قرار گرفت. نتایج حاصله نشان داد ساختار ترکیبی توانسته با استفاده از دو روش هوشمند مورد بررسی، در تخمین میزان رسوب نتایج قابل قبولی ارائه نماید. لیکن از لحاظ دقت، مدل شبکه عصبی موجک با بیشترین ضریب همبستگی (850/0)، کمترین ریشه میانگین مربعات خطا(ton/day051/0) و نیز معیار نش ساتکلیف(758/0) در مرحله صحت سنجی در اولویت قرار گرفت. در مجموع نتایج نشان داد که مدل شبکه عصبی موجک توانایی بالایی در تخمین مقادیر کمینه و بیشینه از خود نشان داده است. | ||
| کلیدواژه‌ها | ||
| دبی رسوب؛ کشکان؛ شبکه عصبی موجک؛ شبکه عصبی مصنوعی | ||
| عنوان مقاله [English] | ||
| Application of Wavelet Neural Network to Estimate Suspended Sediments in the River (Case Study:Kashkan River_Lorestan) | ||
| نویسندگان [English] | ||
| hassan torabipodeh1؛ ahmad godarzi2؛ reza dehghani3 | ||
| 1Associate Professor of Water Engineering | ||
| 2phd student | ||
| 3phd student | ||
| چکیده [English] | ||
| Simulation and evaluation of sediment are important issues in water resources management. Common methods for measuring sediment concentration are generally time consuming and costly and sometimes does not have enough accuracy. In this research, we have tried to evaluate sediment amounts, using wavelet neural network for kashkan river, lorestan, Iran, and compare it with common artificial neural networks. Monthly river discharge, temperature, total dissolved solids and Precipitation for time period (1984-2013) was used as input and sediment discharge for output. Criteria of correlation coefficient, root mean square error and Nash Sutcliff coefficient were used to evaluate and compare the performance of models. The results showed that two models estimate sediment discharge with acceptable accuracy, but in terms of accuracy, the wavelet neural network model had the highest correlation coefficient (0.850), minimum root mean square error (0.051ton/day) and the Nash Sutcliff (0.758) hence was chosen the prior in the verification stage. Finally, the results showed that the wavelet neural network has great capability in estimating minimum and maximum sediment discharge values. | ||
| کلیدواژه‌ها [English] | ||
| Sediment, Kashkan, Wavelet Neural Network, Artificial Neural Network | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 11 |
||
