ترجمه فارسی عنوان مقاله

مدل جریان رودخانه با استفاده از شبکه های عصبی مصنوعی

عنوان انگلیسی

River Flow Model Using Artificial Neural Networks ☆

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
52479	2015	8 صفحه PDF

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Energy Procedia, Volume 74, August 2015, Pages 1007–1014

فهرست مطالب ترجمه فارسی

چکیده

کلمات کلیدی

1.مقدمه

2. روش شبکه های عصبی مصنوعی

1-2. اصول اولیه

شکل-1. معماری مدل شبکه عصبی در این مطالعه.

2.2معیار عملکرد مدل

3. مطالعه موردی

شکل-2. موقعیت حوضه دریاچه Seybouse.

4. نتایج تست و بحث

جدول-1. اندازه گیری دقت آماری این مدل شبکه در فازهای آموزش و تست.

شکل 3-الف و ب. مقایسه بین مقدار جریان پیش بینی شده توسط ANN و مقدار واقعی در فاز آموزش.

شکل 4-الف و ب. مقایسه بین مقدار جریان پیش بینی شده توسط ANN و مقدار واقعی در فاز تست.

جدول-2. پارامترهای آماری جریان واقعی و پیش بینی شده در فازهای آموزش و تست (الف) فاز آموزش، (ب) فاز تست.

شکل 5-الف و ب. مقایسه بین مقدار جریان پیش بینی شده توسط رگرسیون خطی چندگانه (MLR)، الف) ANN، ب)MLR.

5. نتیجه گیری

ترجمه کلمات کلیدی

شبکه عصبی مصنوعی - مدل سازی رگرسیون چندگانه - آب و هوای نیمه خشک - بارش-رواناب - حوضه آبریز -

کلمات کلیدی انگلیسی

Artificial neural network; modeling multiple regressions; semi arid climate; Rainfall-runoff; Catchment; MLP; Algeria.

ترجمه چکیده

استفاده از شبکه های عصبی مصنوعی (ANNها) به طور روزافزون در آنالیز مسائل منابع آب و آب شناسی استفاده می شوند. در این تحقیق، یک ANN توسعه یافت و برای مدل کردن رابطه بارندگی-روان آب در یک آبگیر واقع در یک آب و هوای نیمه خشک و مدیترانه ای در الجزایر استفاده شد. عملکرد مدل مبتنی بر شبکه عصبی با مدل های مبتنی رگرسیون خطی چندگانه با استفاده از داده های مشاهده شده یکسان مقایسه شد. مشاهده شد که مدل شبکه عصبی همواره پیش بینی های عالی را ارائه می دهد. بر اساس نتایج این تحقیق، مدلسازی شبکه عصبی مصنوعی یک روش نویدبخش برای جریان آبگیر در نواحی نیمه خشک و مدیترانه ای است. متناظراً، در جاییکه مدل های دیگر مناسب نیستند، روش شبکه عصبی می تواند برای سیستم های مختلف آب شناسی استفاده شود.

ترجمه مقدمه

مدلهای ANN ابزارهای پیش بینی قوی برای رابطه بین پارامترهای بارندگی و آبهای روان هستند. نتایج به تصمیم گیری در حوزه های مدیریت و برنامه ریزی منابع آبی کمک خواهد کرد. علاوه براین، این نتایج به مدیران و برنامه ریزان شهری کمک می کنند تا اقدامات لازم برای مواجه با شرایط بد را اتخاذ کنند. بنابراین، این نتایج به جلوگیری از تلافات در ویژگی های فردی و جامعه، و خطرات اکولوژیکی و بهداشتی ناشی از سیلاب ها که احتمال بروز آنها است کمک می کنند. علاوه براین، مدل های ANN به طور گسترده ای در حوزه های مختلف علم و مهندسی بخاطر توانایی آن برای مدل کردن سیستم های خطی و غیرخطی بدون نیاز به هیچ فرضی در حال استفاده هستند، زیرا در اکثر روش های آماری قدیمی به صورت ضمنی هستند. در برخی از مسائل آب شناسی، ANNها هم اکنون با موفقیت برای پیش بینی جریان رودخانه ( رید و همکاران، 2004) [1]؛ (لالام و همکاران، 2005) [2]، برای فرآیند بارش-آب روان ( اسمیت و الی) [3] و برای پیش بینی پارامترهای کیفیت آب ( مایر و دنی، 1996) [4] با موفقیت استفاده شده اند. علاوه براین، ANNها برای پیش بینی تبخیر ( سودر، 2005) [5]، برای پیش بینی بارش-آب روان (مینز و هال، 1996) [6]؛ برای پیش بینی فاجعه سیلاب (وی و همکاران، 2002) [7] و برای پیش بینی سریهای زمانی رودخامه ( هو و همکاران، 2001) [8] استفاده شده اند. در این کاربردهای آب شناسی، یک الگوریتم انتشار به عقب پیشخورد چندلایه استفاده می شود ( لیپمان، 1987؛ رید و همکاران، 2004) [9]. این الگوریتم معمولاً متشکل از تعدادی زیادی گره متصل به هم مرتب شده در یک لایه ورودی، لایه خروجی و یکی یا چند لایه پنهان است. تابع انتقال انتخاب شده برای این شبکه تابع سیگموئید بود. هدف این مقاله مدل کردن رابطه بارش-آب روان در آبگیر Seybouse واقع شده در بخش شمالی الجزایر با استفاده از مدل نوع جعبه سیاه مبتنی بر روش حل ANN است. حوضه رودخانه Seybouse در شمال شرقی الجزایر، با مساحت کل 471/6 کیلومتر مربع واقع شده است که این حوظه به بیش از 68 شهرداری و 7 بخش اصلی توسعه می یابد. رودخانه Seybouse و انشعاب های آن برای حفظ بخش اعظم فعالیت های اقتصادی در این منطقه حیاتی است.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

The use of artificial neural networks (ANNs) is becoming increasingly common in the analysis of hydrology and water resources problems. In this research, an ANN was developed and used to model the rainfall-runoff relationship, in a catchment located in a semiarid and Mediterranean climate in Algeria. The performance of the developed neural network-based model was compared against multiple linear regression-based models using the same observed data. It was found that the neural network model consistently gives superior predictions. Based on the results of this research, artificial neural network modeling appears to be a promising technique for the prediction of flow for catchments in semi-arid and Mediterranean regions. Accordingly, the neural network method can be applied to various hydrological systems where other models may be inappropriate.