دانشگاه آزاد اسلامی واحد علوم و تحقیقات

 آمار

تعداد نشریات50
تعداد شماره‌ها2,232
تعداد مقالات20,476
تعداد مشاهده مقاله25,279,054
تعداد دریافت فایل اصل مقاله22,932,052
شادابی بجند, محبوبه, امیری, ابراهیم. (1401). مدل سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی LSTM. , (), -. doi: 10.30495/jest.2022.54871.5157
محبوبه شادابی بجند; ابراهیم امیری. "مدل سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی LSTM". , , , 1401, -. doi: 10.30495/jest.2022.54871.5157
شادابی بجند, محبوبه, امیری, ابراهیم. (1401). 'مدل سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی LSTM', , (), pp. -. doi: 10.30495/jest.2022.54871.5157
شادابی بجند, محبوبه, امیری, ابراهیم. مدل سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی LSTM. , 1401; (): -. doi: 10.30495/jest.2022.54871.5157

مدل سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی LSTM

علوم و تکنولوژی محیط زیست
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 31 اردیبهشت 1401  XML
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.30495/jest.2022.54871.5157
نویسندگان
محبوبه شادابی بجند email 1؛ ابراهیم امیری2
1گروه آموزشی عمران ـ آب، دانشکده فنی مهندسی دانشگاه آزاد لاهیجان ـ ایران
2استاد گروه مهندسی آب، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان
چکیده
برآورد مناسب از میزان رسوب جاری شده در رودخانه‌ها به عنوان مبنای داده‌ای برای بسیاری از طرح‌ها و فرآیندهای مهندسی رودخانه دارای اهمیت است. رودخانه قلعه رودخان یکی از حوزه‌های آبی بسیار مهم در غرب استان گیلان می باشد مهمترین شاخه های تشکیل دهنده حوزه، دو شاخه ( گشت رودخان) و ( قلعه رودخان) می باشند که رودخانه مورد مطالعه ( قلعه رودخان) از دو شاخه ( حیدرآلات) و ( نظر آلات) به وجود آمده است. از همین رو، هدف از انجام این پژوهش اقدام به مدل‌سازی پیشی بینی میزان رسوب رودخانه قلعه رودخان با استفاده از شبکه عصبی حافظه طولانی کوتاه مدت(LSTM) شده است. شبکه عصبی مصنوعی LSTM نوع خاصی از شبکه‌های عصبی بازگشتی هستند که توانائی یادگیری وابستگی‌های بلندمدت را دارند. همه شبکه‌های عصبی بازگشتی به شکل دنباله‌ای (زنجیره‌ای) تکرار شونده از ماژول‌های (واحد‌های) شبکه‌های عصبی هستند. در شبکه‌های عصبی بازگشتی استاندارد، این ماژول‌های تکرار شونده ساختار ساده‌ای دارند. در این تحقیق از آمار دبی ـ رسوب ثبت شده مربوط به دوره آماری سال 1381 تا 1395 استفاده شده است. این آمار شامل دبی لحظه ای روزانه به مترمکعب بر ثانیه و رسوب روزانه لحظه ای به تن در روز است که همزمان اندازه گیری شده اند. متغیرهای تحت بررسی در مدلسازی پیش بینی لازمه ایجاد یک شبکه عصبی مصنوعی، وجود یک سری داده، به منظور مدلسازی در این شبکه می باشد. دقت پیش بینی های انجام شده با سه معیار خطا بررسی شد. سه معیار مورد بررسی به ترتیب AFE، FFE و n-AFE هستند. نتایج به دست آمده نشان داد که از میان معیارهای مورد بررسی معیار FFE نشان داد که همبستگی خروجی مدل و داده های اندازه گیری شده رسوب مناسب می باشد. در نتیجه مدل LSTM دارای دقت مناسب برای پیش بینی مقدار رسوب دو رودخانه قلعه رودخان می باشد.
کلیدواژه‌ها
استان گیلان؛ رسوب لحظه ای؛ رودخانه قلعه رودخان؛ شبکه‌های عصبی بازگشتی؛ LSTM
آمار
تعداد مشاهده مقاله: 207


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب