| تعداد نشریات | 282 |
| تعداد نشریات سازمان | 80 |
| تعداد شمارهها | 3,208 |
| تعداد مقالات | 35,560 |
| تعداد مشاهده مقاله | 53,007,994 |
| تعداد دریافت فایل اصل مقاله | 92,291,094 |
ارزیابی مدلهای هوش مصنوعی در تخمین دبی سیلاب | ||
| مهندسی و مدیریت آبخیز | ||
| مقاله 18، دوره 10، شماره 3، مهر 1397، صفحه 478-488 اصل مقاله (1.03 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22092/ijwmse.2018.117328 | ||
| نویسندگان | ||
| مهدی سپهری* 1؛ سید عباس عطاپور فرد2؛ علیرضا ایلدرومی3؛ حمید نوری4؛ صبا گودرزی1؛ محمد مهدی آرتیمانی5؛ مرتضی سلگی5 | ||
| 1کارشناس ارشد آبخیزداری، دانشکده منابع طبیعی، دانشگاه ملایر | ||
| 2استادیار، پژوهشکده حفاظت خاک و آبخیزداری، سازمان تحقیقات، آموزش و ترویج کشاورزی، تهران، ایران | ||
| 3دانشیار، دانشکده منابع طبیعی، دانشگاه ملایر | ||
| 4استادیار، دانشکده منابع طبیعی، دانشگاه ملایر | ||
| 5کارشناس ارشد، بخش تحقیقات آبخیزداری و منابع طبیعی، مرکز تحقیقات و آموزش کشاورزی و منابع طبیعی استان همدان، سازمان تحقیقات، آموزش و ترویج کشاورزی، همدان، ایران | ||
| چکیده | ||
| برآورد دبی اوج بهعنوان یکی از مباحث اصلی در مدیریت منابع آبی و سیلاب نقش اساسی در طراحی سازههای آبی و اقدامات بیومکانیکی در حوزههای آبخیز دارد، بهطوری که برآورد صحیح آن نقش اساسی در موفقیت کارهای اجرایی دارد. در این بررسی، سعی شده با استفاده از روشهای هوش مصنوعی (شبکه عصبی MLP، ترکیب شبکه عصبی MLP و شبکه SOFM، GRNN، ترکیب خوشهبندی FCM و ANFIS) دبی بیشینه رودخانه یلفان در محل ایستگاه هیدرومتری برآورد شود. به این منظور، در این دو مدل هشت متغیر که شامل بارندگی مربوط به روز وقوع سیل، بارندگیهای پنج روز قبل، دبی پایه در روز وقوع سیل و CN حوضه بهعنوان پارامترهای ورودی و دبی پیک بهعنوان خروجی در نظر گرفته شده است. سپس، با استفاده از روش هوش مصنوعی و پیش پردازش دادهها، ساختار بهینه مدلها با استفاده از دادههای ورودی و خروجی و با ملاک قراردادن معیارهای ارزیابی، به روش سعی و خطا تعیین شد. نتایج نشان داد که شبکه عصبی پرسپترون چند لایه (MLP) عملکرد بهتری در برآورد دبی سیلاب نسبت به مدل ترکیبی ANFIS+FCM ،MLP+SOFM ،GRNN در حوضه یلفان دارد. | ||
| کلیدواژهها | ||
| خوشهبندی؛ دبی اوج؛ شبکه عصبی؛ ANFIS؛ GRNN؛ MLP؛ SOFM | ||
| عنوان مقاله [English] | ||
| Evaluation of artificial intelligence in flood estimation | ||
| نویسندگان [English] | ||
| Mehdi Sepehri1؛ Seyyed Abbas Atapourfard2؛ Alireza Ildoromi3؛ Hamid Nori4؛ Saba Goodarz1؛ Mohammadmehdi Artimani5؛ Morteza Solgi5 | ||
| 1MSc, Faculty of Natural Resources, Malayer University, Iran | ||
| 2Assistant Professor, Soil Conservation and Watershed Management Research Institute, Agricultural Research, Education and Extension Organization (AREEO), Tehran, Iran | ||
| 3Associate Professor, Faculty of Natural Resources, Malayer University, Iran | ||
| 4Assistant Professor, Faculty of Natural Resources, Malayer University, Iran | ||
| 5MSc, Soil Conservation and Watershed Management Research Department, Hamedan Agricultural and Natural Resources Research and Education Center, AREEO, Hamedan, Iran | ||
| چکیده [English] | ||
| Peak flow estimation is one of the major issues in water resources and flood management that have basic role in the design of hydraulic structures and biomechanics activities in basins. So that a proper assessment has a basic role in the success of administrative works. In this paper, using artificial intelligence methods (MLP Neural Network, the mixture of SOFM with MLP, the mixture of FCM with ANFIS) to estimate Yalfan River’s peak discharge in hydrometer local station. For these models, eight variables have been considered as the inputs that includes rainfall amount in the occurrence time of flood, rainfall of five days ago from occurrence of flood, curve number of the basin (CN), basic discharge and finally peak discharge are considered as the output. In the artificial intelligences after preprocessing of the data, the optimal structure of the models are determined with input and output data, evaluation criteria and trial and error. At the end, the MLP model had better performance compared to ANFIS+FCM, MLP+SOFM, GRNN models. | ||
| کلیدواژهها [English] | ||
| ANFIS, Clustering, GRNN, MLP, Neural network, Peak flow, SOFM, Yalfan | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,287 تعداد دریافت فایل اصل مقاله: 737 |
||