جهت دسترسی به کاربرگه ی زیر، از این لینک استفاده کنید. http://dl.pgu.ac.ir/handle/Hannan/186705
Title: شبیه سازی فرآیند بارش _ رواناب با مدل شبکه عصبی مصنوعی (ANN) و مقایسه آن با نتایج مدل (HEC-HMS) در حوضه بشار
Authors: حجت‌ صفاری
Keywords: شبیه‌سازی، بارش _ رواناب، شبکه عصبی مصنوعی (ANN)، مدل (HEC-HMS)، حوضه‌ی آب‌خیز بشار.
Issue Date: 1395
Abstract: سیل یکی از پدیده‌های ویرانگر طبیعی است که پیش‌بینی آن از اهمیت بالایی برخوردار است. برآورد بارش _ رواناب و سیل به‌دلیل تأثیرگذاری عوامل مختلف، دشوار است. تا کنون روش‌های مختلفی برای تحلیل این پدیده‌ها پیشنهاد شده است. هدف این پژوهش، مقایسه‌ی کارآمدی شبکه عصبی مصنوعی (ANN) در شبیه‌سازی فرآیند بارش _ رواناب با نتایج مدل (HEC-HMS) ارائه شده توسط [32] می‌باشد. به این منظور زیر حوضه‌ی بطاری واقع در حوضه آب‌خیز بشار و شمال استان کهگیلویه و بویراحمد برگزیده شد و حداکثر بارندگی با دوره بازگشت‌های مختلف به‌عنوان ورودی به مدل داده شد و حداکثر دبی محاسبه گردید. در واقع، پارامتر‌های بارش و رواناب (در بازه زمانی شش سال) به‌عنوان ورودی شبکه عصبی، مبنای کار قرار گرفت و هیدروگراف حوضه برای سه حالت رطوبتی پیشین خشک، پیشین متوسط و پیشین مرطوب خاک تعیین گردید. سپس70 درصد داده‌ها برای آموزش، 20 درصد داده‌ها برای اعتبار سنجی و 10 درصد باقیمانده برای آزمون شبکه به‌کار گرفته شد و نهایتاً شبکه‌ عصبی مصنوعی پرسپترون سه لایه با الگوریتم انتشار برگشتی و استفاده از تابع محرک تانژانت هیپربولیک سیگموئید (به‌عنوان هسته مرکزی) آموزش داده شد. معیار گزینش پارامتر‌های شبکه در مرحله‌ی آموزش، تولید کمترین ریشه‌ میانگین مربعات خطا (RMSE) در خروجی آن بود. برای ارزیابی کارایی (ANN)، داده‌های شبیه‌سازی شده (ANN)، داده‌های شبیه‌سازی شده (HEC-HMS) و مشاهده‌ای مربوط به کل دبی‌های اوج و زمان‌های اوج مقایسه شدند. نتایج نشان داد که بر پایه‌ی قانون آموزش لونبرگ _ مارکوارت، شبکه پرسپترون سه لایه، با تعداد 9 نورون در تنها لایه میانی (پنهان)، فرآیند بارش _ رواناب را با دقت خوبی شبیه‌سازی می‌نماید. ضریب همبستگی بین مقادیر مشاهده شده و شبیه‌سازی شده (ANN) برای داده‌های آموزش، داده‌های صحت سنجی و آزمون را به خوبی (به ترتیب‌ 98/‌0، 97/0 و 96/0 r=) برآورد کرد. در نتیجه، گرچه تفاوت معنی داری میان دو روش یافت نشد، ولی مقایسه عملکرد شبکه عصبی (ANN) و مدل (HEC-HMS) نشان می‌‌دهد که در تمام پارامتر‌ها، دقت (ANN) بیشتر از (HEC-HMS) بوده است .همچنین در مدل‌سازی با شبکه عصبی مصنوعی می‌توان در زمان کوتاه‌تر و با دقت نسبتاً بالا‌تری به روابط بارش _ رواناب دست یافت.
Description: پایان‌نامه کارشناسی ارشد در رشته مهندسی عمران، گرایش سازه‌
URI: http://dl.pgu.ac.ir/handle/Hannan/186705
Type Of Material: پایان نامه فارسی
Appears in Collections:Civil Engineering مهندسی عمران

Files in This Item:
File Description SizeFormat 
پ1580.pdf3.52 MBAdobe PDFThumbnail
Download    Request a copy


تمامی کاربرگه ها در کتابخانه ی دیجیتال حنان به صورت کامل محافظت می شوند.