بحث متقدم
ترتيب حسب
فلترة حسب
تعدّ النمذجة الدقيقة للعلاقة بين الهطول المطري_الجريان السطحي (Rainfall_Runoff) (R_R) مهمة معقدة جدّاً, على الرغم من حقل النمذجة الواسع الذي يشمل كلّاً من الطرائق الموجهة بالمعرفة و الطرائق الموجهة بالبيانات. تتطلب النماذج الموجهة بالمعرفة كمية ضخمة من البارامترات، و بالتالي فهي تعاني من تأثير كثرة البارامترات. هذا مايجعل العاملين في حقل النمذجة يبحثون عن طرائق نمذجة بسيطة تتطلب عدد قليل من البارامترات مثل الطرائق الموجهة بالبيانات, لذلك تهدف الدراسة الحالية إلى استخدام الشبكات العصبية الصنعية التي تعدّ إحدى أنواع هذه الطرائق لنمذجة العلاقة R_R في حوض نهر الكبير الجنوبي في محافظة طرطوس. حيث تمّ الاعتماد على شبكة Elman الصنعية للتنبؤ بالجريان السطحي باختبار أربعة و عشرين نموذجاً ذات معماريات مختلفة, كما تمّ اختبار كلّ نموذج باستخدام عدد مختلف من العصبونات الخفية, و ذلك باستخدام مكتبة nntool المتاحة في حزمة برمجيات Matlab. أثبتت نتائج هذه الدراسة أن النموذج الذي يحوي في طبقة المدخلات على كلٍّ من درجة الحرارة, الرطوبة النسبية, التبخر و الهطول المطري بتأخر زمني مقداره ثلاثة أيام (-3:0) إضافةً إلى قيم سابقة للتصريف بتأخر زمني (-3:-1) و مع استخدام 25 عصبون في الطبقة الخفية يعطي أفضل أداء بمتوسط مربع خطأ مقداره 2.8*10^-5, و معامل ارتباط 0.96 لمجموعة البيانات المستخدمة, تمّ التوصل إلى أنّ شبكات Elman تعطي نتائج جيدة في نمذجة العلاقة R_R و بالتالي يمكن اعتبارها بديلاً للطرائق التقليدية في نمذجة العلاقة R_R.
يشكّل التبخر أحد عناصر الدورة الهيدرولوجية، الذي يصعب قياس كمياته الفعلية في الشروط الحقلية، لذلك يجري تقديره اعتماداً على الحسابات بعلاقات تجريبية تعتمد على بيانات عناصر المناخ. يهدف البحث إلى بناء أنموذج رياضي لتقدير التبخر الشهري في المنطقة السهلي ة من الساحل السوري، و ذلك باستخدام الشبكات العصبية الصنعيَّة اعتماداً على درجة الحرارة فقط. و إجراء دراسة مقارنة بين نتائج أنموذج الشبكة و نتائج نماذج أخرى معروفة. بُني الأنموذج الرياضي باستخدام NN-tool box إحدى أدوات MATLAB حيث شكلت شبكة عصبية صنعيَّة متعددة الطبقات لخوارزمية الانتشار العكسي للخطأ، و حُددت خوارزمية التعلم الملائمة، و عدد الطبقات الخفية المستخدمة، بالإضافةً إلى عدد العصبونات و نوع دوال التفعيل المستخدمة في كل طبقة. و قد أظهرت النتائج أن الشبكة العصبية الصنعيَّة ذات الهيكلية (1-9-1) تعطي أقل قيمة لمربع متوسط الخطأ لمجموعة التحقق و يساوي 0.0032، مع استخدام دالتي التفعيل Logsigmoid و Linear على الترتيب في الطبقة الخفية و طبقة الإخراج. كما طُوِّر أنموذج المحاكاة للنتائج المستحصلة من الشبكة العصبية الصنعيَّة المقترحة مع نماذج أخرى مثل معادلة إيفانوف و ذلك باستخدام تقانة (Simulink). تبين أن الشبكة العصبية الصنعيَّة المعتمدة على درجة الحرارة فقط تعطي نتائج أكثر دقة من معادلة إيفانوف في تقدير التبخر.
يشكّل التبخر-نتح أحد عناصر الدورة الهيدرولوجية، الذي يصعب قياس كمياته الفعلية في الشروط الحقلية، لذلك يجري تقديره انطلاقاً من علاقات تجريبية تعتمد على بيانات عناصر المناخ، و تتضمن تلك التقديرات أخطاء متنوّعة بسبب عمليات التقريب. و يهدف البحث إلى تقدي ر دقيق لكمية التبخر الشهري في منطقة صافيتا, و يعتمد البحث على تقانة الشبكة العصبية الصنعية، حيث بُني الأنموذج الرياضي باستخدام Neural Fitting Tool (nftool) إحدى أدوات الماتلاب، و اعتمد الأنموذج على البيانات الشهرية لدرجة حرارة الهواء و الرطوبة النسبية في محطة صافيتا، كما استُخدِمت بيانات التبخر الشهري من حوض التبخر الأميركي صنف A لغرض التحقق من صحة أداء الشبكة، بعد تحويل الأنموذج إلى شكل قالب جاهز باستخدام تقانة Simulink المتاحة في حزمة برمجيات الماتلاب. أثبتت نتائج الدراسة أنَّ الشبكة العصبية الصنعيَّة متعددة الطبقات، و ذات الانتشار العكسي للخطأ تعطي نتائج جيدة في تقويم التبخر الشهري، اعتماداً على مجموعة البيانات المستخدَمة.
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها