تخمین بار معلق رسوب به وسیله مدل یادگیری عمیق-موجک و شبکه عصبی مصنوعی کلاسیک
نام نخستين پديدآور
علیرضا متدین
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
پردیس دانشگاه تبریز
تاریخ نشرو بخش و غیره
۱۴۰۰
مشخصات ظاهری
نام خاص و کميت اثر
۵۸ص.
مواد همراه اثر
سی دی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی عمران گرايش مهندسی آب و سازههاي هيدروليكي
زمان اعطا مدرک
۱۴۰۰/۱۱/۱۷
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
پدیده هاي فرسایش و انتقال رسوب در رودخانه ها یکی از مهم ترین و پیچیده ترین موضوعات مهندسی رودخانه می باشد. این پدیده ها اثرات ویژه اي روي شاخص هاي کیفی آب، کنش کف بستر و کناره هاي رودخانه داشته و همچنین خسارات جبران ناپذیري به طرح هاي عمرانی آب وارد می نماید. از این رو تخمین دقیق میزان رسوب رودخانه ها اهمیت قابل توجهی در مدیریت منابع آب، طراحی، ساخت و همچنین در بهره برداري از سازه هاي آبی دارد.در این پژوهش، مسئله پیش بینی بار معلق رسوبی دو رودخانه میسوری و می سی سی پی با استفاده از مدل های جعبه سیاه هوش مصنوعی ، مورد بررسی قرار گرفته است. با استفاده از داده های هجده ساله دبی و دبی رسوبی در مقیاس روزانه از دو ایستگاه مختلف از رودخانه می سی-سی پی و یک ایستگاه از رودخانه میسوری با استفاده از دو ابزار مدل حافظه بلند-کوتاه مدت (یادگیری عمیق) و شبکه عصبی پیشرو (شبکه عصبی مصنوعی کلاسیک)، دو سناریو در نظر گرفته شد. سناریوی اول دبی رسوبی در هر ایستگاه را به طور جداگانه مورد مدلسازی قرار داد. اما در سناریوی دوم، داده های هر سه ایستگاه منتخب برای مدلسازی بار معلق رسوبی ایستگاه رودخانه می سی سی پی که در موقعیت پایین دستی و پس از به هم پیوستن دو رودخانه به همدیگر قرار گرفته شده است به کار گرفته شد، (در هر سناریو ترکیبات ورودی مختلفی برای مدلسازی و آنالیز شرایط متفاوت در نظر گرفته شده است) پس از آن، برای بهبود عملکرد مدل سازی، ابتدا سری های زمانی توسط موجک تجزیه شده و سپس با مدل های FFNN و LSTM مدلسازی گردید. نتایج حاکی از آن است که به کارگیری تبدیل موجک به عنوان پیش پردازش باعث بهبود عملکرد مدلسازی شده است، به طوری که مدل های هیبریدی با هر دو نوع شبکه عصبی مصنوعی در سناریوی اول تا 19% و در سناریوی دوم تا 42% شاخص های نکویی برازش را ارتقاء می بخشد. همچنین با مقایسه نتایج مدل یادگیری عمیق-موجک و شبکه عصبی مصنوعی کلاسیک مشخص گردید مدل هیبریدی یادگیری عمیق نتایج مدل سازی مذکور را در سناریوی ایستگاه های جداگانه مابین 8% الی 28% و در سناریوی چند ایستگاهه 66% ارتقا می بخشد.
عنوانهای گونه گون دیگر
عنوان گونه گون
Suspended Sediment Load Prediction by Wavelet-Deep Learning and Classic Artificial Neural Network
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )