توسعه مدل شبکه عصبی بر مبنای توابع آموزش گرادیان مزدوج و پس انتشار ارتجاعی برای پیش بینی ضریب انتشار طولی رودخانه ها
محل انتشار: مجله مهندسی منابع آب، دوره: 12، شماره: 41
سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 40
فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WEJMI-12-41_005
تاریخ نمایه سازی: 26 بهمن 1402
چکیده مقاله:
گام اساسی در مدل سازی کیفی محیط های آبی یک بعدی مانند رودخانه ها، تعیین ضریب انتشار طولی (LDC) برای معادله ی انتقال-پخش آلاینده ها است. در این مقاله برای پیشبینی LDC، مدل شبکه ی عصبی مصنوعی (ANN) بر مبنای الگوریتم های آموزشی با رویکرد عددی و همچنین رویکرد اکتشافی توسعه داده شده است. برای این منظور توابع آموزشی گرادیان مزدوج شامل توابع فلچر-ریوس، پولاک-ریبره، پاول-بیل و گرادیان مزدوج مقیاسدار از دسته الگوریتم های عددی و همچنین تابع پس انتشار ارتجاعی از دسته الگوریتم های اکتشافی برای بهینه سازی پارامترهای مدل ANN استفاده شدند. در مرحله ی بعد با استفاده از آمارههای بررسی شده برای ارزیابی نتایج، بهترین مدل با ساختار شامل هر یک از توابع نامبرده انتخاب شدند و در ادامه از بین مدلهای منتخب، مدلی که بهترین عملکرد را داشت، یعنی مدل با تابع آموزش پس انتشار ارتجاعی، با توجه به آماره ی نسبت تفاوت توسعه یافته (DDR)، به عنوان نتیجه نهایی این مقاله برگزیده شد. در پایان نیز برای ارزیابی بهتر نتایج تحقیق، رویکردی مقایسه ای بین نتیجه بهترین مدل توسعه داده شده با دیگر مطالعات انجام گرفته به وسیله مدل های هوشمند انجام شد که یافته ها حاکی از عملکرد برتر مدل پس انتشار ارتجاعی بود.
کلیدواژه ها:
نویسندگان
روح اله نوری
دانشگاه تهران
بهزاد قیاسی
دانشگاه تهران
عبدالرضا کرباسی
دانشگاه تهران
امین سارنگ
دانشگاه تهران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :