ظهور تئوريهاي توانمند، مانند منطق فازي، شبكههاي عصبي، الگوريتم ژنتيك، تحولي عظيم در تحليل رفتار سيستم هاي ديناميك در علوم مختلف مهندسي آب ايجاد كرده است.NWN به عنوان يكي از جديترين مدلها در سالهاي اخير و به خصوص در زمينه شبيهسازي در بهينه سازي سازههاي فضاكار استفاده شده است. مقاله حاضر به معرفي و بررسي نحوه عملكردمدل NEURAL WAVELET NETWORK) NWN در مقايسه با شبكههاي عصبي مصنوعي در فرايند شبيهسازي جريان رودخانه قازان چاي که از مناطق خشک استان آذربایجان غربی بوده مورد استفاده قرارگرفتهاست.مدلهاي فوق با استفاده از شرايط يكسان دادهها مورد آموزش قرار گرفته كه به صورت تابعي از بارش و دبي ميباشند، در تاخيرهاي زماني مشخص مد نظر قرار گرفته و نتايج مدلها مورد مقايسه قرار گرفته كه با توجه به بهرهگيري از WAVELET در مدل NWN كه در شناسايي سيگنالها و جداسازي سيگنالهاي خطا، توان بالايي دارد، مدل NWN به عنوان جايگزين مناسبي براي شبكههاي عصبي معرفي ميگردد كه به خصوص در مدل نمودن دبيهاي پايين عملكرد مناسبتري داشته است.
تحقيقات گسترده اي جهت بررسي اين فرايند صورت گرفته مي توان به شبيه سازي جريان رودخانهها با استفاده از طرح شبکه عصبي بر اساس مدل رياضي فوريه (پيره و همکاران، 1382) پيش بيني دبي اوج با استفاده از شبکه عصبي بر روي رودخانه هليل توسط (باراني و همکاران ،1381) مقايسه شبکه عصبي مصنوعي ومدل HEC-HMS در فرايند بارندگي و رواناب (رهنما و همکاران ،1382 ) بهينه سازي نتايج حاصل از يک مدل هيدروديناميکي در پيش بيني جريان رودخانه توسط سيستم عصبي مصنوعي (دستوراني و همکاران 1382) و مدل سازي فرايند بارندگي- رواناب توسط شبکه عصبي مصنوعي Kou lin Hsu. Et al.1995)) و مدل بندي جريان رودخانه ها توسط شبکه عصبي (Ozgur.K,2004) اشاره نمود.
در اين مقاله جهت بهبود نتايج حاصل از شبکه عصبي مصنوعي و تلفيق آن با موجک اقدام به شبيه سازي جريان رودخانه غازان نموده که نتايج قابل قبولي ارائه گرديده است
برچسب ها:
موجك (WAVELET) مدل NWN غازانچاي شبیه سازی فرایند