پیوندهای مفید
آمار
| تعداد نشریات | 26 |
| تعداد شماره‌ها | 306 |
| تعداد مقالات | 2,643 |
| تعداد مشاهده مقاله | 3,966,866 |
| تعداد دریافت فایل اصل مقاله | 2,671,949 |
ارزیابی روش‌های محاسبات نرم در برآورد رسوب معلق رودخانه (ایستگاه حسن‌آباد رودخانه تیره) | ||
| مدل سازی و مدیریت آب و خاک | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 12 اردیبهشت 1402 | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22098/mmws.2023.12620.1258 | ||
| نویسندگان | ||
| امیر مرادی نژاد* 1؛ سعید خسروبیگی2؛ محمود اکبری3؛ سیداحمد حسینی4 | ||
| 1استادیار بخش آبخیزداری مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان مرکزی، سازمان تحقیقات و آموزش و ترویج کشاورزی | ||
| 2رئیس بخش فنی و مهندسی اداره کل منابع طبیعی و آبخیزداری استان مر کزی. اراک، ایران. | ||
| 3استادیار گروه علوم و مهندسی آب دانشکده کشاورزی دانشگاه اراک.اراک، ایران. | ||
| 4استادیار بخش مهندسی رودخانه و سواحل، 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 توسعه شبکه‌های آبیاری و زهکشی، آبگیری از رودخانه و ... است. مدل‌های آماری و رگرسیونی از معمول‌ترین روش‌های تحلیل می‌باشند که اغلب با توجه به حل خطی این پدیده‌ها، نتایجی همراه با خطا ارائه داده‌اند. از این رو نمی‌توانند پدیده رسوب را با دقت قابل قبولی مدل کنند. مدل‌های هیدرولیکی با توجه به نیاز به داده‌های زیاد و گاهی در دسترس نبودن داده‌های مورد نیاز و دقیق نبودن داده‌ها به دلیل 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 این پژوهش ارزیابی و مقایسه چهار روش مدل‌های فازی- عصبی تطبیقی (ANFIS)، ماشین بردار پشتیبان (SVM) و برنامه‌ریزی بیان ژن (GEP) و روش گروهی کنترل داده‌ها GMD در برآورد بار رسوب ایستگاه حسن‌آباد رودخانه تیره استان مرکزی می‌باشد. بدین منظور عملکرد سه نوع مدل ماشین بردار پشتیبان (SVM)، سیستم عصبی فازی-تطبیقی (ANFIS) و برنامه‌ریزی بیان ژن (GEP) در شبیه‌سازی بار رسوبی رودخانه‌ها پرداخته، سپس نتایج سه روش با یکدیگر و با نتایج منحنی سنجه مورد مقایسه قرار گرفت. نتایج بیانگر عملکرد قابل قبول مدل‌ها نسبت به منحنی سنجه می‌باشد. همچنین نتایج برتری مدل (GEP) با بیشترین ضریب تعیین R2 با مقدار99/0 و کمترین ریشه میانگین مربعات خطا RMSE بر حسب تن در روز با مقدار 010/0 نشان داد. در این خصوص کارآیی مدل(SVM) تا حدی بهتر از مدل (ANFIS) بود. در مرحله بعد از بهترین الگوی انتخابی مدل‌های (ANFIS)، (SVM) و (GEP) به عنوان ورودی مدل GMD استفاده شد. نتایج بیانگر عملکرد قابل قبول مدل GMD با بیشترین ضریب تعیین R2 برابر 99/0 و 98/0 و کمترین ریشه میانگین مربعات خطا به ترتیب برابر 0038/0 و 0045/ تن در روز شد. نتایج به دست آمده نشان داد هر چهار روش داده‌کاوی بررسی شده به مراتب نتایج بهتری نسبت به منحنی سنجة رسوب ارائه می‌کننند. | ||
| کلیدواژه‌ها | ||
| بار معلق؛ شبکه عصبی فازی؛ رسوب؛ برنامه‌ریزی بیان ژن؛ ماشین بردار پشتیبان | ||
|
آمار تعداد مشاهده مقاله: 148 |
||