این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
مهندسی آبیاری و آب ایران، جلد ۱۱، شماره ۳، صفحات ۱۶۲-۱۷۸
عنوان فارسی ارزیابی شبکه‌های عصبی و منطق فازی در شبیه‌سازی نفوذ آب در جویچه‌های بازساز‌ی‌شده و غیربازسازی‌شده در مزارع نیشکر
چکیده فارسی مقاله نیشکر از جمله گیاهان پر مصرف از نظر آبیاری است که در استان خوزستان و به روش جویچه‌ای بازسازی شده و غیربازسازی شده آبیاری می‌شود. عمده تلفات در این روش به صورت نفوذ انجام می‌شود لیکن اندازه‌گیری نفوذ در هر مزرعه بسیار زمان‌بر و پرهزینه است. بنابراین ارائه روشی آسان و سریع برای تعیین و مدیریت نفوذ در این مزارع بسیار حائز اهمیت است. بنابراین، در تحقیق حاضر به ارزیابی دو روش شبکه عصبی و منطق فازی در شبیه‌سازی نفوذ آب در 5 کشت و صنعت نیشکر در استان خوزستان پرداخته شد. شبکه عصبی با 12 سناریو (دو تابع فعال LogSig و TanSig با 3، 5 و 7 نرون در لایه پنهان) و روش منطق فازی با 8 سناریو (دو تابع عضویت TriMF و GaussMF با 2 و 3 تابع عضویت برای هر ورودی) مورد مطالعه قرار گرفتند. نتایج نشان داد که روش شبکه عصبی با تابع فعال LogSig به همراه 5 نرون لایه پنهان، خطا ( m3.m-112/0RMSE=)، دقت (037/0NRMSE=) و کارایی (99/0EF= و 99/0d=) مناسبی برای شبیه‌سازی نفوذ در جویچه‌های بازسازی شده داشت. روش شبکه عصبی با تابع فعال TanSig با 5 نرون در لایه پنهان نیز خطا (m3.m-120/0RMSE=)، دقت (11/0NRMSE=) و کارایی (99/0EF= و 99/0d=) لازم برای شبیه‌سازی نفوذ در جویچه‌های غیربازسازی شده داشت. روش منطق فازی برای شبیه‌سازی در جویچه‌های غیربازسازی شده دقت و کارایی پایینی داشت ولی تابع عضویت TriMF-2 خطا ( m3.m-13/1RMSE=)، دقت (052/0NRMSE=) و کارایی (98/0 EF= و 99/0d=) قابل قبول را برای شبیه‌سازی نفوذ در جویچه‌های بازسازی شده داشت. براساس مقایسه نتایج کلیه سناریوها، روش دقت شبکه‌های عصبی نسبت به منطق فازی 82 درصد بهتر بود.
کلیدواژه‌های فارسی مقاله آبیاری جویچه‌ای، تابع عضویت TriMF، تابع فعال LogSig، روش بیلان حجم، کارایی مدل،
عنوان انگلیسی Artificial Neural Network and Fuzzy Logic Evaluation for Helling Up and Non-helling Up Furrows Infiltration Simulation in Sugarcane Farms
چکیده انگلیسی مقاله Sugarcane (Saccharum.spontaneum L.) is one of the high consumption water plants which is irrigated by both helling up (H) and non-helling up (N) furrow irrigation methods in Khuzestan. The major water losses in furrows are due to infiltration, however, measuring amount of infiltration is time consuming and costly. So, it is important to use a method for determining and management of infiltration in the farms. Regarding that, fuzzy logic (FL) and artificial neural network (ANN) were evaluated for five sugarcane industrial farms in Khuzestan. ANN with 12 scenarios (LogSig and TanSig activation functions with 3, 5 and 7 neurons in hidden layer for both N and H farrows) and FL with 8 scenarios (TriMF and GaussMF with 2 and 3 membership functions for both N and H farrows) were studied. Results showed that ANN with LogSig-5 activation function had the best error (RMSE=0.12 m3.m-1), accuracy (NRMSE=0.037) and efficiency (d=0.99 and EF=0.99) for simulation of infiltration in H furrows. ANN with TanSig-5 had the best error (RMSE=0.20 m3.m-1), accuracy (NRMSE=0.11) and efficiency (d=0.99 and EF=0.99) for simulation of infiltration in N furrows. FL had weak accuracy and efficiency for simulation of infiltration in N furrows, however, TriMF-2 had acceptable error (RMSE=1.3 m3.m-1), accuracy (NRMSE=0.052) and efficiency (d=0.99 and EF=0.98) for simulation of infiltration in H furrows. According to comparison of all scenarios, ANN accuracy was about 82% more than FL.
کلیدواژه‌های انگلیسی مقاله آبیاری جویچه‌ای, تابع عضویت TriMF, تابع فعال LogSig, روش بیلان حجم, کارایی مدل
نویسندگان مقاله محسن احمدی |
دانشگاه شهید چمران اهواز

سعید برومند نسب |
2- استاد گروه آبیاری و زهکشی دانشکده مهندسی علوم آب دانشگاه شهید چمران اهواز.

عبدعلی ناصری |
شهید چمران اهواز

نشانی اینترنتی https://www.waterjournal.ir/article_128197_9fff2dbb6bbec5da9a73b627ba2b3ed9.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