فایل ورد کامل مقاله کاربرد شبکه های عصبی مصنوعی در مهندسی رودخانه ۳۴ صفحه در word

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 فایل ورد کامل مقاله کاربرد شبکه های عصبی مصنوعی در مهندسی رودخانه ۳۴ صفحه در word دارای ۳۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد فایل ورد کامل مقاله کاربرد شبکه های عصبی مصنوعی در مهندسی رودخانه ۳۴ صفحه در word  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی فایل ورد کامل مقاله کاربرد شبکه های عصبی مصنوعی در مهندسی رودخانه ۳۴ صفحه در word،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن فایل ورد کامل مقاله کاربرد شبکه های عصبی مصنوعی در مهندسی رودخانه ۳۴ صفحه در word :

این مقاله با فرمت Word بوده و قابل ویرایش است همچنین آماده پرینت می باشد

موضوع : فایل ورد کامل مقاله کاربرد شبکه های عصبی مصنوعی در مهندسی رودخانه ۳۴ صفحه در word

رسوبات انتقالی توسط رودخانه‌ها مشکلات زیادی خصوصاً جهت بهره‌برداری از سدها و سازه‌های آبی به وجود می‌آورند در ده‌های اخیر تحقیقات بزرگی برای درک مکانیسم انتقال رسوب در جریان‌های طبیعی صورت گرفته است تخلیه‌های صنعتی و پساب‌های کشاورزی به داخل سیستم آبزیان باعث می‌شود که رسوبات کف توسط موادسمی آلوده شوند به همین ترتیب وقتی رژیم رودخانه تغییر می‌نماید این رسوبات آلوده به پایین دست رودخانه انتقال می‌یابند تخمین دبی این رسوبات آلوده گام اول به سوی بهبود سازی کیفیت آب می‌باشد طبق گزارشات درحال حاضر بسیاری از سدهای کشورمان با مشکل رسوب و پرشدن پیش از موعد مخازن مواجه هستند از جمله گزارشی که در مورد رسوبگذاری در سد سفید رود منتشر شده که نشان می‌دهد که در هفدهمین سال بهره برداری رسوبات ورودی نزدیک به نیمی از حجم مخزن را اشغال کرده‌اند در حالی که مشاور این شد عمر مفید آن را صد سال دانسته است همچنین سد شهید عباسپور که تخمین اولیه برای رسوب آن ۲ میلیون مترمکعب در سال بوده در حالی که نتایج هیدروگرافی در سال ۱۳۶۲ در مخزن این سد نشان می‌دهد که درطی ۷ سال اول بهره برداری از این سد سالیانه بطور متوسط ۳۸ میلیون متر مکعب وارد مخزن شده است بدیهی است که افزایش پیش‌بینی میزان رسوب وارده به دریاچه می‌تواند از این خسارات جلوگیری به عمل آورد و تحقیق این امر بستگی زیادی به روشهای محاسباتی و وجود سنجشهای مناسب رودخانه‌ای دارد

تا کنون معادلات زیادی برای تخمین میزان رسوب انتقالی رسوب انتقالی توسط رودخانه‌ها ارائه شده است که همه آنها بر پایه قوانین تئوری دینامیک جریان و انتقال ذرات می‌باشد آلونسوو نیبلینگ و فوستر در سال ۱۹۸۲ و یانگ در ۱۹۹۶ از بین دیگران روشهای متعدد قراردادی را مقایسه نمود برای محاسبه دبی کل رسوب بعضی از روشها که روش غیرمستقیم نامیده شدند شامل توابع انتقالی بر اساس تابع بار بستر اینشتین هستند که بار رسوب کل از مجموع توابع بار معلق و بار بستر بدست می‌آید مانند روش اصلاح شده اینشتین توسط کلبی و همبری ۱۹۵۵ و توفالتی ۱۹۶۹ روشهای مذکور این نکته را مدنظر قرار می‌دهند که هیدرودینامیک هر حالت انتقال یکسان نیست اگر چه تمایز آشکار بین در حالت معلق و بستر نیز به آسانی ممکن نیست کاربرد روشهای گفته شده از نظر تئوری نسبتاً کامل است اما ممکن است به نظر دشوار برسد روشهای دیگر که روشهای مستقیم نامیده می‌شوند بار رسوب کل را به طور مستقیم مشخص می‌کنند بدون اختلاف قائل شدن بین دو حالت انتقال بعضی از این روشها از مفهوم نیروی جریان ناشی می‌شوند کار جریان مانند روش بگنولد ۱۹۶۶ و روش انگلند و هانسن ۱۹۶۷ که بستگی به مفهوم نیرو و قوانین شبیه‌سازی برای بدست آوردن تابع انتقال رسوب دارد روش آکرو وایت ۱۹۷۳ بر اساس مفهوم نیروی جریان بگونولد و آنالیز ابعادی برای بیان تحرک و سرعت انتقال رسوب پایه‌ریزی شده‌اند یانگ در سالهای ۱۹۷۲ و ۷۳ یک مدل تحلیل نیرویی بکار برد و به نیروی جریان موجود در واحد وزن سیال برای انتقال رسوب تأکید کرد ولیکانوف ۱۹۵۴ تابع انتقال را از تئوری نیروی ثقل استخراج کرد روشهای دیگر از توابع انتقال دیگری پیروی می‌کنند مثلاً چنگ و سیمونزو ریچاردسون ۱۹۶۷ بار کل را از مجموع بار بستر و معلق محاسبه نمودند لارسن ۱۹۵۸ یک رابطه وابسته‌ای بین شرایط جریان و دبی رسوبی نتیجه توسعه داد شن و هانگ ۱۹۷۲ یک معادله رگرسیون براساس داده‌های آزمایشگاهی استخراج کردند

برانلی ۱۹۸۱ نیز آنالیز رگرسیون را برای بدست آوردن تابع بکار گرفت ون راین ۱۹۸۴ بار کل را از مجموع بار بستر و متعلق محاسبه نمود کریم و کندی ۱۹۹۰ آنالیز چند رگرسیونی غیرخطی را برای استخراج یک رابطه بین سرعت جریان دبی رسوب و هندسه شکل بستر و ضریب اصطکاک رودخانه‌های فرسایشی بکار گرفت این مدل‌های دینامیکی در تعریف پارامترهای مهم مسئله موفق بودند با این وجود برای بدست آوردن یک فرمول منفصل شکل ثابت معادله بعضی پارمترهای مهم برای سهولت صرفنظر می‌شوند ثابت‌های غیرمعلوم برای پایداری جمع می‌شدند و بعضی شرایط مرزی برای بکارگیری فرض می‌شوندو نتیجتاً این سؤال مطرح می‌شود که آیا فرمول برای انحراف رودخانه‌ها به طور موفق بکار رود اخیراً روش شبکه عصبی در شاخه‌های متعدد علمی بکار می‌رود روش گفته شده یک ابزار قوی برای بهبود سازی در هیدرولیک و محیط زیست با جزئیات کافی برای اهداف طراحی و مدیریت پروژه‌ها می‌باشد این تکنیک یک رشد ساختاری در کاربرد مهندسی رودخانه و منابع آب داشته است به سبب کاربردهای موفق در مدل کردن رفتار سیستم غیرخطی در یک محدوده وسیع از نواحی شبکه‌های عصبی مصنوعی در هیدرولوژی و هیدرولیک بکار رفته‌اند شبکه‌های عصبی مصنوعی در مدل بارش رواناب تخمین جریان شبیه‌سازی آلودگی جریان شناسایی پارامتر و مدل کردن غیرخطی ورودی و خروجی سریهای زمانی بکار رفته‌اند یک شبکه عصبی سه لایه پیشخور توسط فرنچ و همکاران ۱۹۹۲ برای پیش‌بینی شدت بارش در مکان و زمان بکار رفت این فرد نتایج را با دو روش دیگر پیش‌بینی ترم کوتاه مقایسه نمود چنگ و تسانگ ۱۹۹۲ چندین روش رگرسیون و شبکه عصبی مصنوعی برای مدل کردن اکی والان برف آب مقایسه کردند و گزارش دادند که یک شبکه عصبی مصنوعی نتایج بهتری ارائه می‌دهد HSU و همکاران ۱۹۹۵ گزارش کردند که شبکه پیشخور چندین لایه بهترین ابزار برای تقریب توابع ورودی خروجی است آنها یک الگوریتم پیچیده جذر کمینه خطی را برای آموزش یک شبکه پیشخور سه لایه پیشنهاد دادند که نشان داد روش مدل شبکه عصبی مصنوعی ارائه بهتری از روابط بارش روانات برای یک حوضه با اندازه متوسط که با مدل آرمکس یا مدل رطوبت خاک ساکرامنتو مقایسه شد می‌دهد یک مدل شبکه عصبی مصنوعی یک شبکه از واحدهای منفرد است که هر کدام یک حافظه محلی دارند واحدها با حلقه‌هایی که داده‌های متفاوت را حمل می‌کنند به هم متصل هستند شبکه نیمه خطی پیشخور یک سیستم مؤثر برای یادگیری الگوهای یادگیری از یک مجموعه داده‌ها می‌باشد

خروجی‌های گره ها نرون‌ها دریک لایه به گره های لایه دیگر توسط حلقه‌هایی که این خروجی را توسط فاکتورهای وزن‌دار تقویت یا ضعیف می‌کنند انتقال می‌یابند به استثنای گره‌های لایه ورودی ورودی به هر گره نرون مجموع خروجی‌های وزن‌دار شده گره‌های لایه ماقبل می‌باشد هر گره همزمان با ورودی به گره و تابع فعالیت گره و مقدار آستانه گره فعال می‌شود

الگورتیم پس انتشار خطا با بکارگیری روند پس انتشار شبکه را برای همه , را برای همه در شبکه برای آن p خاص محاسبه می‌کند این روند برای همه الگوهای آموزشی تکرار می‌شود اصلاحات وزنها انجام گرفته خروجی ها دوباره ارزیابی می‌شوند اختلاف مقادیر خروجی واقعی و هدف مجدداً در ارزیابی تغییرات وزنها اثر می‌گذارد بعد از جایگزین‌های کامل همه الگوها در سری آموزشی سری جدیدی از وزنها بدست می‌آید و خروجی‌های جدید دوباره دریک مدیریت پیشخور تا زمانی که به یک خطای قابل اغماض خاص برسد ارزیابی می‌شود شبکه نتیجتاً آماده برای تخمین الگو خروجی ناشناس است که مطابق الگوهای ورودی خاص خود باشند نرم افزار مورد استفاده دراین تحقیق به زبان فرترن بوده و در کامپیوتر pc اجرا شده است

انتخاب پارامترهای دبی رسوب مناسبترین متغیرها در هیدرولیک رودخانه عبارتند از دبی واحد عرض آب q عمق آب h شیب طولی S تنش برشی بستر Z شتاب ثقل g و سرعت سقوط ذرات wo برای ماسه طبیعی Ps و P ثابت هستند پارامتر C¬s برابر است با و پارامتر توسط سرعت برشی نشان داده می‌شود این پارامترها به صورت بی‌بعد خود در مطالعات قبلی ارائه شده‌اند جدول ۱ مجموعه مؤثرترین پارامترهای بدون بعد را نشان می‌دهد که به صورت رایج برای تحقیق مسائل دبی رسوب بکار می‌روند انگلند و هانسن ۱۹۶۷ مفهوم نیروی جریان و قانون شبیه سازی را برای بدست آوردن معادله انتقال رسوب بکار گرفتند این معادله غلظت رسوب را با نیروی برشی اصطکاک سطحی و بدون بعد G=hs/Gs1d50 مرتبط می‌کند که Gs جاذبه ویژه رسوب و Um,s نیروی واحد جریان یا سرعت استهلاک انرژی در واحد وزن آب را نشان می‌دهد که Um میانگین سرعت جریان است مرور روابط قراردادی ارائه شده برای دبی رسوب در انتخاب پارامترهای مهم مسئله کمک می‌نماید این مدل طوری طراحی شده است که پارامترهای اساسی قابل اندازه‌گیری را بکار گیرد برای اجتناب از بکارگیری هرگونه فرمول تجربی که ممکن است روی دقت نتایج اثر بگذارد

کاربرد شبکه‌های عصبی مصنوعی

در مهندسی رود خانه

کاربرد شبکه‌های عصبی مصنوعی در مهندسی رودخانه

فایل ورد کامل مقاله کاربرد شبکه های عصبی مصنوعی در مهندسی رودخانه ۳۴ صفحه در word
فهرست مطالب

ساختار عمومی شبکه پیشنهادی

الگورتیم پس انتشار خطا

انتخاب پارامترهای دبی رسوب

بکارگیری داده‌های صحرائی دبی رسوب

آموزش شبکه و ارزیابی نتایج

کالیبراسیون پارامترهای رسوب و دبی

مقایسه با مطالعات قبلی

ارزیابی مدل با بکارگیری داده‌های رسوب معلق

نتیجه‌گیری

مدل عصبی مورد استفاده

نتایج مدل عصبی و مقایسه آن با روش متداول تخمین رسوب

تعیین ابعاد حفره آبشستگی پایین دست سرریزهای ریزشی آزاد با استفاده از روش شبکه عصبی مصنوعی

الگوریتم آموزش شبکه عصبی مصنوعی

بررسی یادگیری شبکه عصبی

استفاده از شبکه عصبی در روندیابی متمرکز سیلاب

نتایج