پیوندهای مفید
آمار
| تعداد نشریات | 26 |
| تعداد شماره‌ها | 326 |
| تعداد مقالات | 2,803 |
| تعداد مشاهده مقاله | 4,227,602 |
| تعداد دریافت فایل اصل مقاله | 2,881,131 |
ارزیابی روش‌های محاسبات نرم در برآورد رسوب معلق رودخانه (ایستگاه حسن‌آباد رودخانة تیره) | ||
| مدل سازی و مدیریت آب و خاک | ||
| مقاله 20، دوره 4، شماره 2، خرداد 1403، صفحه 241-260 اصل مقاله (2.03 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22098/mmws.2023.12620.1258 | ||
| نویسندگان | ||
| امیر مرادی نژاد* 1؛ سعید خسروبیگی2؛ محمود اکبری3؛ سیداحمد حسینی4 | ||
| 1استادیار، گروه تحقیقات حفاظت خاک و آبخیزداری، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان مرکزی، سازمان تحقیقات، آموزش و ترویج کشاورزی، اراک، ایران | ||
| 2دکتری، رئیس بخش فنی و مهندسی اداره کل منابع طبیعی استان مرکزی، اراک، ایران | ||
| 3استادیار، گروه علوم و مهندسی آب، دانشکدة کشاورزی و محیط زیست، دانشگاه اراک، اراک، ایران | ||
| 4استادیار، پژوهشکده حفاظت خاک و آبخیزداری کشور، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران | ||
| چکیده | ||
| برآورد بار رسوب رودخانه‌ها از مسائل مهم و کاربردی در مطالعات و طراحی پروژه‌های مهندسی آب، مانند طراحی و توسعة شبکه‌های آبیاری و زهکشی، آبگیری از رودخانه و غیره است. مدل‌های آماری و رگرسیونی از معمول‌ترین روش‌های تحلیل هستند که اغلب با توجه به حل خطی این پدیده‌ها، نتایجی همراه با خطا ارائه داده‌اند. مدل‌های هیدرولیکی به‌دلیل نیاز به داده‌های زیاد و گاهی در دسترس نبودن داده‌های مورد نیاز و دقیق نبودن داده‌ها به‌علت خطای انسانی برای شبیه‌سازی رسوبات، همیشه نمی‌توان به آن‌ها اعتماد کرد. امروزه سیستم هادی هوشمند فازی و عصبی با توجه به توانایی در حل پدیده‌های غیرخطی و پیچیده، کاربردهای فراوانی در مسائل مختلف مهندسی آب از جمله رسوب پیدا کرده‌اند. هدف از پژوهش حاضر نیز ارزیابی و مقایسة چهار روش مدل‌های فازی-عصبی تطبیقی (ANFIS)، ماشین بردار پشتیبان (SVM)، برنامه‌ریزی بیان ژن (GEP) و روش گروهی کنترل داده‌ها GMDH در برآورد بار رسوب ایستگاه حسن‌آباد رودخانة تیرة استان مرکزی است. بدین‌منظور به عملکرد چهار نوع مدل در شبیه‌سازی بار رسوبی رودخانه‌ها پرداخته، سپس نتایج چهار روش با یک‌دیگر و با نتایج منحنی سنجه مورد مقایسه قرار گرفت. نتایج بیان‌گر عملکرد قابل‌قبول مدل‌ها نسبت به منحنی سنجه است. هم‌چنین، نتایج برتری مدل (GMDH) با بیش‌ترین ضریب تبیین (R2) با مقدار 99/0 و کم‌ترین ریشة میانگین مربعات خطا (RMSE) بر حسب تن در روز با مقدار 0038/0 نشان داد. در این خصوص کارآیی مدل (GEP) تا حدی بهتر از مدل‌های SVM و ANFIS بود. در مرحلة بعد، از بهترین الگوی انتخابی مدل‌های ANFIS، SVM و GEP به‌عنوان ورودی مدل GMDH استفاده شد. نتایج بیان‌گر عملکرد قابل‌قبول مدل GMDH با بیش‌ترین ضریب تبیین (R2) برابر 99/0 و 98/0 و کم‌ترین ریشة میانگین مربعات خطا به‌ترتیب برابر 0038/0 و 0045/0 تن در روز شد. نتایج به‌دست آمده نشان داد هر چهار روش داده‌کاوی بررسی شده به‌مراتب نتایج بهتری نسبت به منحنی سنجة رسوب ارائه می‌کنند. | ||
| کلیدواژه‌ها | ||
| بار معلق؛ برنامه‌ریزی بیان ژن؛ رسوب؛ شبکة فازی-عصبی؛ ماشین بردار پشتیبان | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 240 تعداد دریافت فایل اصل مقاله: 78 |
||