|
|
مهندسی آبیاری و آب ایران، جلد ۱۳، شماره ۴، صفحات ۳۱۲-۳۲۸
|
|
|
| عنوان فارسی |
تخمین مقادیر بار رسوب معلق رودخانه با استفاده از روش‌های هوش مصنوعی (مطالعه موردی رودخانه میمه) |
|
| چکیده فارسی مقاله |
استفاده از روش‌های مناسب برای تخمین بار رسوب از دیر باز مورد توجه متخصصین مسائل رودخانهای قرار گرفته است. در این تحقیق با استفاده از دو روش هوش مصنوعی شامل برنامهریزی ژنتیک (GP) مبتنی بر گراف و روش توابع پایه شعاعی (RBF) و استفاده از آمار و اطلاعات 12 ساله چهار ایستگاه هیدرومتری گوراب، سرکمر، جاده دهلران و بیات بر روی رودخانه میمه در استان ایلام، بار رسوب معلق رودخانه تخمین زده شد. در این تحقیق، پارامترهای شماره ماه و دبی رودخانه، به عنوان پارامتر ورودی و بار رسوب رودخانه، به عنوان پارامتر خروجی، بکار گرفته شد. در معادلات به دست آمده از روش برنامهریزی ژنتیک (GP)، بیشترین همبستگی بهدست آمده مربوط به ایستگاه هیدرومتری گوراب با 18/99 درصد و کمترین همبستگی بهدست آمده مربوط به دادههای تجمیع شده چهار ایستگاه هیدرومتری با 17/92 درصد میباشد. در روش توابع پایه شعاعی (RBF)، حداکثر همبستگی دادههای آموزشی و آزمایشی مربوط به ایستگاه بیات به ترتیب با 100 و 20/94 درصد حاصل شد. نتایج نشان‌دهنده دقت بالای تخمین بار رسوب در ایستگاههای هیدرومتری مورد مطالعه میباشد. نتایج نشان داد روش توابع پایه شعاعی (RBF) در تخمین بار رسوب معلق رودخانه میمه، عملکرد بهتری نسبت به روش برنامهریزی ژنتیک (GP) داشته است. |
|
| کلیدواژه‌های فارسی مقاله |
بار رسوب معلق، برنامهریزی ژنتیک، توابع پایه شعاعی، رودخانه میمه، هوش مصنوعی، |
|
| عنوان انگلیسی |
Estimation of Suspended Sediment Load Values of the River Using Artificial Intelligence Methods (Case study of Maymeh River) |
|
| چکیده انگلیسی مقاله |
The use of appropriate methods for estimating sediment load has long been considered by experts in river problems. In this study, The suspended sediment load of the river was estimated using two artificial intelligence methods, including genetic programming (GP) based on graph and radial base functions (RBF) method. The implementations use data from 12-year statistics and information from four hydrometric stations of Gourab, Sarkmar, Dehloran, and Bayat roads on Meymeh River in Ilam province. In this study, the parameters of moon number and river flow were used as inlet parameters and river sediment load as outlet parameters. In the equations obtained from genetic programming method (GP), the highest correlation In the equations obtained from genetic programming (GP) method, the highest correlation obtained was related to Gorab hydrometric station with 99.18% and the lowest correlation was obtained related to the aggregated data of four hydrometric stations with 92.17%. In the radial baseline functions (RBF) method, the maximum correlation between educational and experimental data related to Bayat station was obtained with 100% and 94.20%, respectively, and the results. The results showed that radial basis functions (RBF) had better performance than genetic programming (GP) in estimating the suspended sediment load of Meymeh River |
|
| کلیدواژه‌های انگلیسی مقاله |
بار رسوب معلق, برنامهریزی ژنتیک, توابع پایه شعاعی, رودخانه میمه, هوش مصنوعی |
|
| نویسندگان مقاله |
مجتبی کرمی |
استادیار دانشکده فنی و مهندسی، دانشگاه ایلام
مهدی کرمی |
کارشناس ارشد آبیاری و زهکشی شرکت آب منطقه ای ایلام
ابراهیم درویشی |
گروه آب و خاک، دانشگاه ایلام
|
|
| نشانی اینترنتی |
https://www.waterjournal.ir/article_173310_96c4a2b330308f1aa9c10ece6b53ce61.pdf |
| فایل مقاله |
فایلی برای مقاله ذخیره نشده است |
| کد مقاله (doi) |
|
| زبان مقاله منتشر شده |
fa |
| موضوعات مقاله منتشر شده |
|
| نوع مقاله منتشر شده |
|
|
|
|
برگشت به:
صفحه اول پایگاه |
نسخه مرتبط |
نشریه مرتبط |
فهرست نشریات
|