علی سلاجقه؛ علی فتح آبادی
دوره 62، شماره 2 ، مهر 1388، ، صفحه 271-282
چکیده
برآورد بار معلق رودخانه یک امر مهم در طراحی سازه‌های آبی, مسائل زیست محیطی و کیفیت آب رودخانه‌ها می‌باشد. یکی از متداول‌ترین روش‌ها برای برآورد بار معلق رودخانه منحنی سنجه رسوب می‌باشد،ْ در منحنی سنجه رسوب یک رابطه رگرسیونی که به‌طور معمول از نوع توانی می‌باشد بین دبی آب و رسوب بر قرار می‌شود. با توجه به عدم قطعیت‌ها و غیر ...
بیشتر
برآورد بار معلق رودخانه یک امر مهم در طراحی سازه‌های آبی, مسائل زیست محیطی و کیفیت آب رودخانه‌ها می‌باشد. یکی از متداول‌ترین روش‌ها برای برآورد بار معلق رودخانه منحنی سنجه رسوب می‌باشد،ْ در منحنی سنجه رسوب یک رابطه رگرسیونی که به‌طور معمول از نوع توانی می‌باشد بین دبی آب و رسوب بر قرار می‌شود. با توجه به عدم قطعیت‌ها و غیر خطی بودن ارتباط بین دبی آب و رسوب, منحنی سنجه رسوب فاقد کارایی لازم برای این امر می‌باشد. در این پژوهش با بهره‌گیری از روش‌های هوش مصنوعی (شبکه عصبی مصنوعی و منطق فازی) میزان بار معلق رودخانه کرج در ایستگاه سیرا برآورد شد. در آغاز مدل‌های مختلف شبکه عصبی و منطق فازی ساخته شد, که در روش شبکه عصبی شبکه با چهار نرون در لایه مخفی و در منطق فازی سیستم استنتاج فازی ممدانی با چهار تابع عضویت گوسی به عنوان بهترین مدلها شناخته شدند, در نهایت نتایج این پژوهش نشان داد که منطق فازی عملکرد بهتری نسبت به دو روش شبکه عصبی مصنوعی و منحنی سنجه رسوب داشته و بهره‌گیری از آن برای برآورد بار معلق رودخانه پیشنهاد می‌شود.
علی سلاجقه؛ علی فتح آبادی؛ محمد مهدوی
دوره 62، شماره 1 ، خرداد 1388
چکیده
یکی از پیچیده‌ترین فرآیندهای هیدرولوژیکی فرآیند بارش-رواناب است, که از پارامترسهای مختلف فیزیکی و هیدرولوژیکی تاثیر می‌پذیرد. در این پژوهش با بهره‌گیری از روش‌های آماری ARMAX, شبکه عصبی, عصبی-فازی (ANFIS با جداسازی خوشه‌ای و شبکه‌ای) و دو مدل بدست آمده از ترکیب آنها به منظور مدل‌سازی فرآیند بارش-رواناب و پیش‌بینی جریان رودخانه بهره‌گیری ...
بیشتر
یکی از پیچیده‌ترین فرآیندهای هیدرولوژیکی فرآیند بارش-رواناب است, که از پارامترسهای مختلف فیزیکی و هیدرولوژیکی تاثیر می‌پذیرد. در این پژوهش با بهره‌گیری از روش‌های آماری ARMAX, شبکه عصبی, عصبی-فازی (ANFIS با جداسازی خوشه‌ای و شبکه‌ای) و دو مدل بدست آمده از ترکیب آنها به منظور مدل‌سازی فرآیند بارش-رواناب و پیش‌بینی جریان رودخانه بهره‌گیری شد. به طوری که درآغاز ساختار بهینه هر یک از مدلها تعیین شده و سپس با بهره‌گیری از مدل برگزیده اقدام به پیش‌بینی جریان رودخانه شد. نتایج این پژوهش نشان داد که مدل‌های ترکیبی عملکرد بهتری نسبت به دیگر مدل‌های مورد آزمون به صورت جداگانه داشته و به علت غیر خطی بودن فرآیند بارش-رواناب عملکرد مدل‌های هوش مصنوعی بهتر از مدل‌های خطی ARMAX است. شایان بیان است که هر چند عملکرد همه نتایج بدست آمده از این پژوهش نشانگر قابل قبول بودن عملکرد همه مدل‌های مورد آزمون بود, اما به دلیل قابلیت مناسب روش ANFIS با جداسازی خوشه‌ای این روش برای پیش‌بینی جریان رودخانه و مدل‌سازی فرآیند بارش-رواناب قابل پیشنهاد است.
