مقاله ترجمه شده درباره شبکه عصبی مصنوعی و موجک برای پیش بینی رسوب معلق روزانه بار در رودخانه – سال 2011
مشخصات مقاله:
عنوان فارسی مقاله:
مدل ترکیبی شبکه عصبی مصنوعی و موجک برای پیش بینی رسوب معلق روزانه بار در رودخانه
عنوان انگلیسی مقاله:
Wavelet and ANN combination model for prediction of daily suspended sediment load in rivers
کلمات کلیدی مقاله:
شبکه های عصبی مصنوعی، تحلیل موجک، بار رسوب معلق، هیسترزیس، رودخانه یادکین، رگرسیون چند خطی
مناسب برای رشته های دانشگاهی زیر:
مهندسی عمران
مناسب برای گرایش های دانشگاهی زیر:
مهندسی رودخانه
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
مقدمه
2- محل ابگونه سنجی و تحلیل اماری
2.1-مکان ابگونه سنجی
2.2 تحلیل اماری
3. روش ها
3.1 شبکه های عصبی مصنوعی.
3.2تحلیل موج ضربه ای
3.3 تحلیلی بازگشت چند خطی (MLR) MLR یک تکنیک استفاده شده برای مدل سازی
4.کاربرد مدل
4.1 ارزیابی مدل
4.2 کاربرد مدل های WANN و ANN
4.3 کاربرد مدل های SRC و MLR
5- نتایج و بحث
5-1 – تحلیل پسماند مغناطیسی
5.2 تخمین SSL متراکم
6 خلاصه و نتیجه گیری
قسمتی از مقاله انگلیسی و ترجمه آن:
1. Introduction
The modeling and prediction of river suspended sediment are key elements in the global water recourses and environment policy and management. The prediction of SSL which is a nonlinear and complex phenomenon is not a simple task. In the past decades, numerous studies have been conducted in the modeling of sediment processes. Commonly, mathematical models are employed for this object (Verstraeten and Poesen, 2001; Ward et al., 2009); which these techniques usually need a lot of data and a long response time. Studies have been conducted to reduce the complexities of the problem in terms of developing practical techniques that do not require dwell on algorithm and theory. In this way classic models such as MLR and SRCs are widely used for suspended sediment modeling (Kisi, 2005). However, they are basically linear models assuming that data are stationary, and have a limited ability to capture non-stationarities and non-linearities in hydrological and environmental data. In recent years, the use of artificial intelligence approaches is increasing due to their capability. In the field of water resources and environmental engineering, ANN models have recently been applied to pesticide contamination modeling in shallow groundwater (Sahoo et al., 2006), simulation of polluted stream (Kim et al., 2008), estimation of scour depth near pile groups (Zounemat-Kermani et al., 2009), and forecasting of ozone episode days (Tsai et al., 2009).
مقدمه:
مدل سازی و پیش بینی رسوب معلق رودخانه کلید عناصر موجود در منابع آب و سیاست مدیریت جهانی و محیط زیست است. پیش بینی از SSL که غیر خطی و پیچیده است ، کار ساده ای نیست.در دهه گذشته، موارد متعددی از مطالعات انجام شده در مدل سازی از فرآیندهای رسوب انجام شده است. مدل ریاضی برای این شئ به کار که این تکنیک معمولا نیاز به یک مقدار زیادی از داده ها و زمان پاسخ طولانی است. مطالعات انجام گرفته به منظور کاهش پیچیدگی از این مشکل درشرایط الگوریتم و نظریه در حال توسعه تکنیکهای عملی است. در این روش کلاسیک مانند مدل MLR و SRCsبرای مدل سازی رسوب معلق (Kisi، 2005) به طور گسترده ای استفاده می شود. با این حال، آنها را اساسا مدلهای خطی فرض کنید که داده ها عبارتند از ثابت، و توانایی محدودی را به تصرف غیر stationarities غیر خطی در داده های هیدرولوژیکی و زیست محیطی. در سال های اخیر، استفاده از روش های هوش مصنوعی در حال افزایش است به علت توانایی های خود را. در این زمینه از منابع آب و محیط زیست فنی و مهندسی، مدل ANN اخیرا به آفت کش ها استفاده شود.تحقیقات انجام گرفته در این خصوص شامل :مدل سازی در آبهای زیر زمینی کم عمق (کیم و همکاران،2006) ، براورد عمق صیقلی نزدیک گره شمع(Zounemat-کرمانی و همکاران، 2009) پیش بینی روزهای اوزون.
