تعداد نشریات | 161 |
تعداد شمارهها | 6,479 |
تعداد مقالات | 70,032 |
تعداد مشاهده مقاله | 122,996,216 |
تعداد دریافت فایل اصل مقاله | 96,226,571 |
شبیهسازی فرایند بارش- رواناب با استفاده از شبکة عصبی- مصنوعی و سیستم فازی عصبی تطبیقی و رگرسیون چندمتغیره (مطالعة موردی: حوضة آبخیز خرمآباد) | ||
اکوهیدرولوژی | ||
مقاله 10، دوره 2، شماره 2، تیر 1394، صفحه 233-243 اصل مقاله (854.12 K) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ije.2015.56243 | ||
نویسندگان | ||
علی حقی زاده* 1؛ محمد محمدلو2؛ فاضل نوری2 | ||
1استادیار، گروه مهندسی آبخیزداری دانشگاه لرستان | ||
2دانشجوی کارشناسی ارشد مهندسی آبخیزداری دانشگاه لرستان | ||
چکیده | ||
مقدار دبی یا رواناب خروجی از یک حوضة آبخیز از اهمیت زیادی برخوردار است؛ زیرا کمبود آن ممکن است موجب خسارات مالی و مازاد آن بهصورت سیلاب ممکن است موجب خسارات جانی و مالی شود. در این پژوهش با استفاده از شبکة عصبی مصنوعی پرسپترون چندلایه (MLP) و مدل فازی عصبی تطبیقی (ANFIS) و روش رگرسیون چندمتغیره، فرایند بارش- رواناب بهصورت روزانه در حوضة آبخیز خرمآباد شبیهسازی شد. برای ورودیها از ترکیبهای مختلف از ورودیهای بارندگی همان روز، یک روز قبل و دو روز قبل استفاده شد. تابع عضویت ورودیهای مدل ANFIS استفادهشده در این مطالعه، ذوزنقهای، مثلثی، گوسی و گوسی نوع 2 است. مدل MLP بهکاررفته با یک لایة پنهان و تعداد نورونهای متغیر ارزیابی شد. نتایج نشان داد که مدل عصبی فازی تطبیقی (ANFIS) عملکرد بهتری از شبکة عصبی مصنوعی پرسپترون چندلایه (MLP) و مدل رگرسیون چندمتغیره دارد. همچنین با افزایش تعداد ورودیها و دخالت دادن بارندگی یک و دو روز قبل، عملکرد هر سه مدل بهتر میشود. | ||
کلیدواژهها | ||
پرسپترون چندلایه؛ حوضة آبخیز خرمآباد؛ سیستم فازی- عصبی تطبیقی؛ رگرسیون چندمتغیره؛ رواناب | ||
عنوان مقاله [English] | ||
Simulation of Rainfall-Runoff Process using multilayer perceptron and Adaptive Neuro-Fuzzy Interface System and multiple regression (Case Study: Khorramabd Watershed) | ||
نویسندگان [English] | ||
Ali Haghizadeh1؛ Mohammad Mohammadlou2؛ Fazel Noori2 | ||
1Department of Range and Watershed Management Engineering, Lorestan University, Khorramabad, Iran | ||
2MSc Student in Watershed Management Engineering, Department of Range and Watershed Management Engineering, Lorestan University, Khorramabad, Iran | ||
چکیده [English] | ||
The discharge or runoff which ousts from a watershed is important. Because its deficiency leads to financial losses and its excesses cause damage in lives and property as flood. In this research using Artificial Neural Network Multi-layer Perceptron (MLP (and Adaptive Neuro-fuzzy interface system (ANFIS) and multiple regression method simulated rainfall- runoff process on daily basis in the Khorramabad watershed. For inputs, different combinations of precipitation inputs including current rainfall, pervious day rainfall and two previous days were used. Inputs membership function for ANFIS model in this research is: the trapezoid, triangular, Gaussian and Gaussian type 2. MLP model that used in this research, was evaluated with one hidden layer and the number of variables neurons. The results showed that Adaptive Neuro-fuzzy interface system (ANFIS) compared to multi-layer perceptron model (MLP) and multiple regression model, has better performance. Also by increasing in the number of inputs, involvement pervious day rainfall and two previous days, all three models performance will be better. | ||
کلیدواژهها [English] | ||
Adaptive Neuro-fuzzy interface system, Multi-Layer Perceptron, multiple regression, Runoff, Khorramabd watershed | ||
مراجع | ||
[1]. فتحآبادی ابوالحسن، 1387، پیشبینی دبی رودخانه با استفاده از روشهای نوروفازی و مدلهای سریهای زمانی، علوم و مهندسی آبخیزداری ایران، سال دوم، شمارۀ 5: 30-21. [2]. هنر تورج، ترازکار محمد حسن، و طرازکار محمدرضا، 1389، برآورد ضریب دبی سرریزهای جانبی با استفاده از سیستم استنتاج فازی– عصبی (ANFIS)، پژوهشهای حفاظت آب و خاک، جلد هفدهم، شمارۀ 2: 176-169. [3]. عراقینژاد، شهاب؛ کارآموز، محمد، 1384، پیشبینی بلندمدت رواناب با استفاده از شبکههای عصبی مصنوعی و سیستم استنتاج فازی، تحقیقات منابع آب ایران، جلد 1، شمارۀ 2: 100-88. [4]. نورانی، وحید؛ کینژاد، محمدعلی؛ ملکانی، لیلا، 1388، استفاده از سیستم فازی- عصبی تطبیقی در مدلسازی بارش- رواناب، نشریۀ مهندسی عمران و محیط زیست، جلد 39، شمارۀ 4: 81-75 [5]. نبیزاده، مرتضی؛ مساعدی، ابوالفضل؛ حسام، موسی؛ دهقانی امیراحمد، 1391، مقایسۀ عملکرد مدلهای مبتنی بر منطق فازی در پیشبینی آبدهی روزانه رودخانة لیقوان، مجلۀ پژوهشهای حفاظت آب و خاک، جلد 19، شمارۀ 1: 134-117. [6]. زارع ابیانه، حمید؛ بیات ورکشی، مریم؛ 1390، ارزیابی مدلهای هوشمند عصبی و تجربی در تخمین رواناب سالانه، نشریۀ آب و خاک (علوم و صنایع کشاورزی)، جلد 25، شمارۀ 2: 379-365. [7]. احمدزاده قره گویز، کاوه؛ میرلطیفی، سید مجید؛ محمدی، کوروش، 1389، مقایسه سیستم های هوش مصنوعی (ANFIS و ANN) در تخمین میزان تبخیر و تعرق گیاه مرجع در مناطق بسیار خشک ایران، نشریۀ آب و خاک، جلد 26، شمارۀ 4: 689-679. [8]. سماعی رشتیزند، 1386، بارشهای مولد سیل در حوضة آبخیز خرمآباد، پایاننامۀ کارشناسی ارشد، دانشگاه آزاد اسلامی، واحد خرمآباد: 102. [9]. Kurtulus, B. and M. Razack, 2010. Modeling daily discharge responses of a large karstic aquifer using soft computing methods: artificial neural network and neurofuzzy. Journal of Hydrology, 381: 101-111. [10]. Conrads, P.A., et al, 1999, Comparing physics–based and neural network models for simulating salinity, temperature and dissolved oxygen in a complex, tidally affected river basin proceeding of the South Carolina environmental conference, South Carolina, Unites state. [11]. Rajurkar, M.P., U.C. Kothyari and U.C. Chube. 2004. Modeling of the daily rainfall-runoff relationship with artificial neural network. Journal of Hydrology, 285(4): 96-113. [12]. Firat, M. and M. Gungor. 2007. River flow estimation using adaptive neuro-fuzzy inference system. Mathematics and Computers in Simulation, 75(3-4): 87-96. [13]. Dorum, A., Yarar, A., Faik Sevimli, M and Onüçyildiz, M., 2010. Modelling the rainfall–runoff data of Susurluk basin, Expert Systems with applications, 37(9): 6587-6593. [14]. Kisi, O., Shiri and J., Tombul, M., 2012. Modeling rainfall-runoff process using soft computing techniques, Computers & Geosciences, 51: 108-117. [15]. Bhatia, N., Sharma, L., Srivastava, S., Katyal, N., Srivastav, R., 2013. Streamflow Decomposition Based Integrated ANN Model, Open Journal of Modern Hydrology, 3: 15-19. [16]. Vafakhah, M., 2012. Application of artificial neural networks and adaptive neuro-fuzzy inference system models to short-term stream flow forecasting, Canadian Journal of Civil Engineering, 39(4): 402-414. [17]. Jang, J. S. R., Sun, C. T. and Mizutani, E. 1997. "Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence".
| ||
آمار تعداد مشاهده مقاله: 3,339 تعداد دریافت فایل اصل مقاله: 2,001 |