شماره ركورد كنفرانس :
1731
عنوان مقاله :
مدل سازي دبي اوج با استفاده از شبكه عصبي مصنوعي
پديدآورندگان :
رضائي علي نويسنده
كليدواژه :
Peak flow , Rainfall-runoff , Geology Formations , Sefidrood , دبي اوج , سفيدرود , شبكه عصبي مصنوعي , سازندهاي زمي نشناسي , بارندگي رواناب , Artificial neural network
عنوان كنفرانس :
دومين كنفرانس سراسري آبخيزداري و مديريت منابع آب و خاك
چكيده فارسي :
مدل مورد بحث با استفاده از شبكه عصبی مصنوعی ساخته شده و در حوزه آبخیز سفید رود (ناحیه غیر خزری)
واسنجی شده است. انجام این تحقیق مبتنی بر جمع آوری و انتخاب آبنمودهایی با منشأ بارندگی در 12 زیر حوزه با
زمان تمركز برابر و یا كمتر از 24 ساعت بوده است. از كل زی ر حوز ههای انتخابی به تعداد 661 آبنمود به منظور
ساخت مدل انتخاب گردیده است. متغیرهای ورودی مدل شامل مساحت زیر حوزه، طول آبراهه اصلی، شیب 85 -10
درصدِ طول آبراهه اصلی، ارتفاع میانه حوزه، بارندگی یكروزه سیلزا، بارندگی پن ج روز قبل نظیر، مساحت سازندهای
زمین شناسی و واحدهای سنگی در سه گروه هیدرولوژیكی یك، دو و سه و دبی پایه و متغیر خروجی تنها دبی اوج
بوده است. میزان عملكرد آن بر مبنای میانگین مربع خطا بین دبی های اوج مشاهده ای و برآورد شده معیار شده با استفاده از دسته داده های اعتبار سنجی برابر با 0.34 است. ضریب تعیین R2 و ضریب فیشیر نیز F به ترتیب 0.85 و 32.67 می باشد كه بیانگر معنی دار بودن آن در سطح یك درصد خطا است.
چكيده لاتين :
The presented model in this paper is created based on Artificial Neural Network (ANN) and calibrated in
Sefidrood basin (excluding Khazar zone). This research has been done by selection of peak flows of
hydrographs which originate by rainfall. These hydrographs are gathered from 12 sub basins which their
concentration time is equal or less than 24 hours. From the all selected sub basins 661 hydrographs were
prepared for modelling. The input variables of model are: area of sub basin, the main channel length, the
slope of 10-85 percent of main channel, the similar daily flood rainfall depth, the similar five days before
rainfall depth, the area of geological formations and rock units at three hydrological groups of I, II, III and
base flow and the output of model is only peak flow. Feed Forward Artificial Neural Network does the
function approximation of inputs to output. The created model has passed 3 procedures that were included
training (learning), testing and validation. The performance of model based on mean square error between
observed and estimated peak flow at validation procedure was 0,34 so the R2 and F of the model
respectively were 0,85 32,67.
شماره مدرك كنفرانس :
4460818