سال انتشار: ۱۳۸۶

محل انتشار: نهمین سمینار سراسری آبیاری و کاهش تبخیر

تعداد صفحات: ۹

نویسنده(ها):

فاطمه ملکی گنادیشی – دانشجوی کارشناسی ارشد سازه های آبی دانشگاه شهید باهنر کرمان
مجتی اورک مندنی زاده – دانشجوی کارشناسی ارشد سازه های آبی دانشگاه شهید باهنر کرمان
محمدجواد خانجانی – استاد بخش مهندسی عمران دانشگاه شهید باهنر کرمان
محمدباقر رهنما – استادیار بخش مهندسی آب دانشگاه شهید باهنر کرمان

چکیده:

امروزه شبکه های عصبی کاربردهای بسیاری در مسائل مختلف مهندسی آب که رابطه و الگوی مشخصی بین عوامل موثر بر وقوع یک پدیده وجود ندارد، پیداکرده است. شبکهعصبی مصنوعی از الگوی شبکه عصبی انسان شبیه سازی شده است، به گونه ای که می تواند پس از آموزش پارامتر خروجی مورد نظر را با اعمال پارامترهای ورودی براورد نماید. تبخیر و تعرق گیاه یکی از اجچزای اصلی چرخه هیدرولوژی می باشد و تخمین دقیق آن اهمیت بسیار زیادی در مطالعات طراحی و مدیریت شبکه های آبیاری، برنامه ریزی منابع آب و غیره دارد. به دلیل تاثیر متقابل پارامترهای هواشناسی در محاسبه تبخیر و تعرق، تخمین آن یککار پیچیده و دارای روابط غیر خطی می باشد، از این رو شبکه های عصبی مصنوعی ابزار مناسبی برای تخمین و تعرق می باشد.در این تحقیق با استفاده از آمار روزانه هواشناسی منطقه کرمان در بازه زمانی ۱۳۸۴-۱۳۷۸ (دمای ماکیمم و مینیمم، رطوبت نسبی ماکزیمم و مینیمم، سرعت باد، ساعات آفتابی) شبکه را اموزش داده و با مقایسه با روش استاندارد ومتداول پنمن – مونتیث ، تبخیر و تعرق مرجع براورد گردیده است. همچنین در این پژوهش از شبکه عصبی مصنوعی با تعداد لایه های پنهان متفاوت، برای پیش بینی ET0 گیاه مرجع با استفاده ازپارامترهای هواشناسیجهت اموزش و تست شبکه استفاده شده است. نتایج حاصل از این بررسی نشان داد که پس از آموزش و آزمون شبکه و با توجه به میزان خطای استاندارد وزن دار (WSEE) می توان با استفاده از شبکه های عصبی، تبخیر و تعرق پتانسیل گیاه مرجع (ET0)را با درصد کم خطا پیش بینی نمود. همچنین بهترین آرایش شبکه بصورت ۱-۸-۶ و با تابع محرک سیگموئید بدست امد.