شماره ركورد :
1313103
عنوان مقاله :
مدل‌سازي و تخمين ابعاد كانال‌هاي آبرفتي پايدار با استفاده از محاسبات نرم
پديد آورندگان :
شاهي نژاد ، بابك دانشگاه لرستان - دانشكده كشاورزي و منابع طبيعي - گروه مهندسي آب , پارسايي ، عباس دانشگاه شهيد چمران اهواز - دانشكده مهندسي آب و محيط زيست - گروه سازه هاي آبي , حقي زاده ، علي دانشگاه لرستان - دانشكده كشاورزي و منابع طبيعي - گروه مهندسي آبخيزداري , ارشيا ، آزاده دانشگاه لرستان - دانشكده كشاورزي و منابع طبيعي - گروه مهندسي آب , شمسي ، زهرا دانشگاه لرستان - دانشكده كشاورزي و منابع طبيعي - گروه مهندسي آب
از صفحه :
91
تا صفحه :
107
كليدواژه :
شبكه عصبي مصنوعي , مدل GMDH , مدل MARS , كانال‌ فرسايشي , مدل رگرسيوني هوشمند
چكيده فارسي :
در اين پژوهش به‌منظور تخمين ابعاد هندسي كانال‌هاي آبرفتي پايدار شامل عرض سطح كانال (w)، عمق جريان (h) و شيب طولي (S) آنها از مدل‌هاي محاسبات نرم شامل مدل رگرسيون اسپلاين تطبيقي چندگانه (MARS) و مدل دسته‌بندي گروهي داده‌ها (GMDH) استفاده شد و نتايج مدل‌هاي توسعه داده ‌شده با مدل شبكه عصبي چندلايه (MLP) مقايسه شد. براي توسعه مدل‌ها، پارامترهاي دبي جريان (Q)، اندازه متوسط ذرات در كف و بدنه (d50) و همچنين ميزان تنش برشي (t) به‌عنوان ورودي و از پارامترهاي عرض سطح آب (w)، عمق جريان (h) و شيب طولي (S) به‌عنوان پارامترهاي خروجي استفاده شد. مدل‌هاي محاسبات نرم در دو سناريو بر اساس پارامترهاي خام و فرم بي‌بعد پارامترهاي مستقل و وابسته، توسعه داده شدند. نتايج نشان داد كه با توجه به مشخصات آماري در تخمين w بهترين عملكرد مربوط به مدل MARS است كه شاخص‌هاي آماري دقت آن در مرحله آموزش عبارت از R^2=0.902,RMSE=1.666 و در مرحله آزمايش عبارت از  R^2=0.844,RMSE=2.317 است. در تخمين عمق كانال، عملكرد هر دو مدل MLP و MARS تقريباً برابر است كه هر دو بر اساس فرم بي‌بعد دبي جريان به‌عنوان متغير ورودي، توسعه داده شدند. شاخص‌هاي آماري هر دو مدل در مرحله آموزش عبارت از  و در مرحله آزمايش عبارت از   است. بهترين عملكرد مدل‌هاي توسعه داده ‌شده در تخمين شيب طولي كانال نيز مربوط به هردو مدل MARS و GMDH است كه البته به‌صورت جزئي، دقت مدل GMDH با شاخص‌هاي آماري   در مرحله آموزش و   در مرحله آزمايش بيشتر از مدل MARS است.
عنوان نشريه :
علوم آب و خاك
عنوان نشريه :
علوم آب و خاك
لينک به اين مدرک :
بازگشت