مقایسه ی کاربرد روش شبکه ی عصبی مصنوعی با وایازی خطـی و چند متغیره درنحوه ی توزیع رسوب

محورهای موضوعی : مقالات برگرفته از پایان نامه

محسن ایراندوست ¹ (- استادیار دانشگاه آزاد اسلامی واحد کرمان)
حمید الهـی مقـدم ² (عضو هیئت علمی دانشگاه آزاد اسلامی واحد کرمان)

تاریخ دریافت : 1394/10/20 تاریخ پذیرش : 1394/10/20 تاریخ انتشار : 1388/07/01

کلید واژه: انتقال رسوب, شبکه‌های عصبی مصنوعی, هوش مصنوعی, پس انتشار خطا, وایازی چند متغیره,

چکیده مقاله :

پدیده ی فرسایش و انتقال رسوب یکی از پیچیده ترین مسایل هیدرودینامیک (آب پویایی ) می باشد که در مطالعه ی طرحهای آبی از اهمیتی بسیار برخوردار است. با توجه به این که شبکه های عصبی مصنوعی از دو ویژگی اساسی یادگیری یا نگاشت پذیری بر اساس ارایه ی داده های تجربی (قدرت و توانایی تعمیم پذیری) و ساختارپذیری موازی برخوردارند، یکی از مهم ترین روش های هوش مصنوعی می باشند که در آن با الهام گیری از مغز انسان، ضمن اجرای فرآیند آموزش، اطلاعات مربوط به داده ها درون وزن های شبکه ذخیره می شوند. در این پژوهش ضمن طراحی شبکه های عصبی مصنوعی با روش پس انتشار خطا و تجزیه و تحلیل پایداری و همگرایی فراسنج های اداره کننده ی سامانه های حلقه ای آن، عملکرد آن ها در برآورد نحوه ی توزیع رسوب مخزن سداکباتان مورد بررسی قرار گرفته و در پی آن نیز با استفاده از وایازی خطی و وایازی چند متغیره اقدام به برآورد میزان و نحوه ی توزیع رسوب مخزن سد نامبرده شده و نتایج بدست آمده با یک دیگر مقایسه و مورد بررسی قرار گرفته اند. پس از تعیین ضرایب (R2) و(RSME) شبیه شبکه های عصبی مصنوعی برای بررسی و نحوه ی توزیع رسوب گذاری مخازن سدها به عنوان یکی از دقیق ترین روش ها پیشنهاد می گردد. افزون بر آن، کاربرد وایازی خطی، به دلیل ساز و کار پخش خطا در محاسبات، بر وایازی چند متغیره غیرخطی برتری دارد. 
 

چکیده انگلیسی:

Erosion and transport of suspended and bed loads are of the most complex and important problems of hydrodynamics inherent in the study of water supply projects. As the artificial neural networks (ANRs) are endowed with two fundamental characteristics of learning based on empirical data (the potential and ability to generalize) and parallel structuralism, they are one of the most important versions of artificial intelligence in which, by drawing inspiration from human brain, the desired data are saved in the networks. In this study we not only designed the ANRs applying the error back scattering method and stability analysis, and the convergence of control parameters of its ring systems, but also implemented it to assess its performance in predicting the rate and distribution of sediments in the Ekbatan Reservoir. Moreover, we employed the linear and multiple regression techniques for the same purpose and compared the results with those of the ANRs. The regression coefficients RSME and R2 indicated that the ANRs are the most accurate method to predict the rate and distribution of sedimentation in a reservoir. Furthermore, the linear regression is preferred over the multiple regression due to the mechanism of error distribution in non-linear calculations