سال انتشار: ۱۳۸۵

محل انتشار: اولین همایش ملی مدیریت شبکه های آبیاری و زهکشی

تعداد صفحات: ۸

نویسنده(ها):

جمال عباس پلنگی – دانشجوی کارشناسی ارشد آبیاری و زهکشی، دانشگاه شهید چمران اهواز
هادی معاضد – استادیار دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز
رضا طارقیان – دانشجوی کارشناسی ارشد سازه های آبی، دانشگاه شهید چمران اهواز

چکیده:

امروزه شبکه های عصبی کاربردهای بسیاری در مسایل مختلف مهندسی آب که رابطه و الگوی مشخصی بین عوامل موثر بر وقوع یک پدیده وجود ندارد، پیدا کرده است . شبکه عصبی 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 بر آورد نماید. تبخیر و تعرق گیاه یکی از
اجزای 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 … دارد. به دلیل تاثیر متقابل پارامترهای هواشناسی در محاسبه تبخیر و تعرق، تخمین آن یک کار پیچیده و دارای روابط غیر خطی میباشد، از این رو شبکه های عصبی مصنوعی ابزار مناسبی برای تخمین تبخیر و تعرق می باشد .
۱۳۷۵ (دمای ماکزیمم و مینیمم، رطوبت – در این تحقیق با استفاده از آمار روزانه هواشناسی منطقه اهواز در بازه زمانی ۱۳۷۹ نسبی ماکزیمم و مینمم، سرعت باد، ساعات آفتابی) شبکه را آموزش داده و با مقایسه با روش استاندارد و متداول پنمن -مونتیث، تبخیر و تعرق گیاه مرجع بر آورد گردیده است. همچنین در این پژوهش از شبکه عصبی مصنوعی با ساختار پرسپترون چند لایه و الگوریتم یادگیری پس انتشار خطا (BP) با تعداد لایه های پنهان متفاوت، برای پیش بینی ETO گیاه مرجع با استفاده از پارامترهای هواشناسی جهت آموزش و تست شبکه استفده 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 (WESEE). می توان با استفاده از شبکه های عصبی، تبخیر و تعرق پتانسیل گیاه مرجع (ETo) را با درصد بسیار کم خطا پیش بینی نمود. همچنین بهترین آرایش شبکه بصورت ۱-۶-۱ و با تابع محرک سیگموئید بدست آمد.