رضا دهقانی؛ حسن ترابی؛ حجت اله یونسی؛ بابک شاهی نژاد
چکیده
پیشبینی جریان رودخانهها یکی از مهمترین موارد کلیدی در مدیریت و برنامهریزی منابع آب بهویژه اتخاذ تصمیمات صحیح در مواقع سیلاب و بروز خشکسالیها است. برای پیشبینی میزان جریان رودخانهها رویکردهای متنوعی در هیدرولوژی معرفیشده است که مدلهای هوشمند از مهمترین آنها میباشند. در این پژوهش کاربرد مدل هیبریدی ماشین ...
بیشتر
پیشبینی جریان رودخانهها یکی از مهمترین موارد کلیدی در مدیریت و برنامهریزی منابع آب بهویژه اتخاذ تصمیمات صحیح در مواقع سیلاب و بروز خشکسالیها است. برای پیشبینی میزان جریان رودخانهها رویکردهای متنوعی در هیدرولوژی معرفیشده است که مدلهای هوشمند از مهمترین آنها میباشند. در این پژوهش کاربرد مدل هیبریدی ماشین بردار پشتیبان_ موجک به منظور برآورد دبی رودخانه های حوضه آبریز دز براساس آمار آبدهی روزانه ایستگاههای هیدرومتری واقع در بالادست سد طی دوره آماری(1397-1387) مورد بررسی و ارزیابی قرار گرفته و کارایی آن با مدل ماشین بردار پشتیبان مقایسه شد. معیارهای ضریب تبیین، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا و ضریب نش ساتکلیف برای ارزیابی و مقایسه مدلها مورد استفاده قرار گرفت. نتایج نشان داد ساختارهای ترکیبی نتایج قابل قبولی در مدلسازی دبی رودخانه ارائه می نمایند. همچنین مقایسه مدلها طبق معیارهای ارزیابی نشان داد مدل هیبریدی ماشین بردار پشتیبان-موجک عملکرد بهتری در پیشبینی جریان داشته و میتواند در زمینه پیش بینی دبی روزانه جریان مفید باشد.
حسن ترابی پوده؛ احمد گودرزی؛ رضا دهقانی
چکیده
شبیهسازی و ارزیابی آورد رسوب رودخانه از جمله مسائل مهم در مدیریت منابع آب میباشد. اندازهگیری مقدار رسوب به روشهای متداول عموماً مستلزم صرف وقت و هزینه زیادی بوده، گاهی از دقت کافی نیز برخوردار نیست. در این پژوهش برای تخمین رسوبات رودخانه کشکان واقع در استان لرستان، از شبکه عصبی موجک استفاده شد و نتایج آن با روشهای مرسوم هوشمند ...
بیشتر
شبیهسازی و ارزیابی آورد رسوب رودخانه از جمله مسائل مهم در مدیریت منابع آب میباشد. اندازهگیری مقدار رسوب به روشهای متداول عموماً مستلزم صرف وقت و هزینه زیادی بوده، گاهی از دقت کافی نیز برخوردار نیست. در این پژوهش برای تخمین رسوبات رودخانه کشکان واقع در استان لرستان، از شبکه عصبی موجک استفاده شد و نتایج آن با روشهای مرسوم هوشمند همچون شبکه عصبی مصنوعی مقایسه شد. پارامتر دبی، دما، میزان مواد جامد محلول در آب و بارش بهعنوان ورودی و دبی رسوب بهعنوان خروجی مدل در مقیاس زمانی ماهانه طی دوره آماری (1393-1364) انتخاب شد. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا و ضریب نش ساتکلیف برای ارزیابی و نیز مقایسه عملکرد مدلها 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 کند. لیکن از لحاظ دقت، مدل شبکه عصبی موجک با بیشترین ضریب همبستگی (0.850)، کمترین ریشه میانگین مربعات خطا (t day-1 0.051) و نیز معیار نش ساتکلیف (0.758) در مرحله صحتسنجی در اولویت قرار گرفت. در مجموع نتایج نشان داد که مدل شبکه عصبی موجک توانایی بالایی در تخمین مقادیر کمینه و بیشینه برخوردار است.