عنوان

مدل‌سازی فرآیند بارش-رواناب در حوزة آبریز لیقوان‌چای با استفاده از شبکه‌های عصبی مصنوعی

شماره

‭۱۵۳۲پ‬

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

مدل‌سازی فرآیند بارش-رواناب در حوزة آبریز لیقوان‌چای با استفاده از شبکه‌های عصبی مصنوعی

نام نخستين پديدآور

/حجت حسین زاده

نام ناشر، پخش کننده و غيره

تبریز : دانشگاه تبریز

نام خاص و کميت اثر

‮‭۱۴۶‬ ص .‬

ساير جزييات

: مصور ، جدول ، نمودار ، عکس ‮‭۳۰‬*‮‭۲۹‬ س.م.-+ یک لوح فشرده

متن يادداشت

چاپی

متن يادداشت

واژه نامه به صورت زیرنویس

متن يادداشت

کتابنامه ص : ‮‭۱۳۶-۱۳۹‬

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

عمران-سازه های هیدرولیکی

زمان اعطا مدرک

‮‭۱۳۸۵/۱۰/۲۵‬

کسي که مدرک را اعطا کرده

تبریز : دانشگاه تبریز

متن يادداشت

لزوم پیش‌بینی بده رودخانه در کارهای عمرانی، به منظور برنامه‌ریزی استفادة بهینه از مخازن سدها، سامان‌دهی رودخانه و هشدار سیل، کاملا احساس می‌شود .از اهداف این قضیه می‌توان به ذخیرة آب، کنترل سیلاب، آبیاری، زهکشی، کیفیت آب، تولید انرژی، مراکز تفریحی، پرورش ماهی و گسترش حیات وحش اشاره کرد .در این راستا مسئلة بارش-رواناب بیشترین توجه مدل‌سازهای شبکه‌های عصبی مصنوعی را به خود معطوف کرده است .خاصیت غیرخطی، وجود اطلاعات تاریخی طولانی و پیچیده بودن مدل‌های فیزیکی از دلایل استفاده از شبکه‌های عصبی مصنوعی است .در این تحقیق از شبکه‌های عصبی ‮‭MLP‬ برای پیش‌بینی بارش-رواناب حوزه آبریز لیقوان‌چای واقع در استان آذربایجان شرقی استفاده شده است .از عوامل مؤثر بر رواناب در اطلاعات این حوزه داده‌های بارش، دما و رواناب بصورت روزانه موجود می‌باشند .در مراحل مختلف تحقیق تاثیر هر یک از این عوامل ( در قالب ترکیبات مختلف) در کارایی شبکه مورد بررسی قرار گرفته است .همراهی سه عامل بارش در روز جاری و روزهای قبل، دما در روز جاری و روزهای قبل و رواناب در روزهای قبل در ماتریس ورودی بهترین نتایج را برای شبکه عصبی در پی داشته است .از آنجایی که حوزة آبریز لیقوان یک حوزة برفگیر می‌باشد، اثر دما در این حوزه و تبدیل برف به رواناب نیز حائز اهمیت بوده و در ادامه مورد بررسی قرار گرفته است .نوآوری این تحقیق در مورد حوزه‌هایی که فاقد اطلاعات دمایی هستند، تعریف نرونی به نام نرون شرطی آستانة دمایی می‌باشد .مقادیر این نرون بصورت باینری بوده و اعداد صفر و یک را به خود می‌گیرد و معیار تفکیک آن مقدار آستانة دمایی ذوب برف می‌باشد که برای حوزة لیقوان محاسبه شده است .در پایان نتایج حاصله از مدل‌های شبکه‌های عصبی و مدل ذوب برف ‮‭DSH‬ مورد مقایسه قرار گرفته و کارایی شبکة عصبی نسبت به آن نشان داده شده است.

متن يادداشت

Need for river flow forecasting in civil works, planning for optimum usage in dam reservoir, river training and flood warning, is increasingly emerging. The target points of such measures include water storage, flood control, drainage, water quality, energy generation, recreation centers, as well as fish and wildlife development. Accordingly, rainfall-runoff process has been highly attracted the attention of Artificial Neural Networks (ANNs) modelers. Being Non-linear, inherently having long historical data and complicated physical structures accounts for reasons of ANNs usage. In this research, Multi-Layer Perceptron (MLP) networks are used to forecast Rainfall-Runoff of Ligvan-Chay watershed located in East Azarbaijan Province of Iran. Daily rainfall, temperature and runoff data are available dependent variables of runoff in this watershed. In the due steps of this research, the effect of each factor (in combination with other factors) on performance of ANNs has been investigated. Combination of three factors of rainfall in current day and previous days, temperature in current day and previous days and runoff in previous days as input produced the best results for ANNs. Furthermore, as Ligvan-Chay is a snowy watershed, the effect of temperature on this watershed and melting of snow into runoff is important and has been investigated in this research. An innovative method has been set forward to study watersheds that there is no data available on temperature variation for them. A neuron Called "conditional threshold temperature" has been defined. As the value of this neuron is binary, it can take only zero or one. The distinction criterion is threshold temperature of snowmelt that is computed for Ligvan-Chay basin. Finally, a comparison made between ANNs and Dimensionless Snowmelt Hydrograph (DSH) model and results indicated that the performance of ANNs is higher than DSH model.

موضوع مستند نشده

Artificial Neural Networks

موضوع مستند نشده

Rainfall-Runoff Process

مستند نام اشخاص تاييد نشده

حسین زاده، حجت

مستند نام اشخاص تاييد نشده

اعلمی، محمدتقی، استاد راهنما

مستند نام اشخاص تاييد نشده

کی نژاد، محمدعلی، استاد مشاور

مستند نام اشخاص تاييد نشده

نورانی، وحید، استاد مشاور همکار

يادداشت عمومي

سیاه و سفید

وضعیت فهرست نویسی

نمایه‌سازی قبلی