ترغب بنشر مسار تعليمي؟ اضغط هنا

تُشكِّل العلاقة بين الهطول المطري_الجريان النهري Rainfall_Runoff (R_R إحدى المركبات الأساسية لدورة المياه في الطبيعة، كما أنها تُشكّل واحدة من أكثر الظواهر الهيدرولوجية تعقيداً و صعوبةً في الفهم؛ و ذلك بسبب كثرة عدد البارامترات المتضمَّنة في نمذجة ال عمليات الفيزيائية و بسبب اتساع فضائها البارامتري و التغير المؤقت في مواصفات الحوض، إضافةً إلى تعدد نماذج الهطولات المطرية. هذا و تعدُّ نمذجة العلاقة بين الهطول المطري _الجريان النهري مهمة جدّاً من أجل التصميم الهندسي و الإدارة المتكاملة للموارد المائية، إضافةً إلى التنبؤ بالفيضان و درء مخاطره. حيث يهدف هذا البحث إلى نمذجة العلاقة بين الهطول المطري_الجريان النهري في حوض نهر الكبير الجنوبي في سوريا، بالاعتماد على تقانة الشبكة العصبونية الصنعية (ANN) Artificial Neural Network، حيث بُني النموذج الرياضي باستخدام كلٍّ من nntool وntstool مكتبتين ملحقتين ببرنامج الماتلاب، و اعتمد النموذج على البيانات اليومية للهطول المطري، درجة حرارة الهواء، الرطوبة النسبية و التبخر في المحطات المناخية المنتشرة في الحوض، كما استُخدِمت بيانات الجريان النهري اليومية لغرض التحقق من صحة أداء الشبكة باستخدام تقانة Simulink المتاحة في حزمة برمجيات الماتلاب. أثبتت نتائج الدراسة أنَّ تقانة الشبكة العصبونية الصنعيَّة تعطي نتائج جيدة في نمذجة العلاقة بين الهطول المطري_الجريان النهري، اعتماداً على مجموعة البيانات المستخدَمة، 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.
للعمل على تطوير البحث العلمي و اختيار الأشخاص الموهوبين من طلاب الدراسات العليا (الماجستير) للاستمرار و نيل درجة الدكتوراه في جامعة تشرين. فقد تم إعداد هذا البحث الذي يهدف إلى اقتراح نموذج لقياس درجة الإبداع و الموهبة عند طلاب الدراسات العليا باستخدا م إحدى تقنيات الذكاء الصنعي ممثلة بالمنطق الضبابي. لقد تم بناء نظام خبير يحوي قاعدة استدلال تتضمن ثلاثة أنواع من الاختبارات: الاختبار النظري، الاختبار العملي, اختبار الإبداع في كل مقرر دراسي. كما هدف هذا النظام الذكي إلى تحديد القدرة على اتخاذ القرار و الذي يعطي نسبة الموهبة عند طلاب الدراسات العليا. و قد توصلت الدراسة إلى مجموعة هامة من النتائج من أهمها الآتي: أظهرت النتائج قوة و موثوقية عالية تبين مصداقية عمل هذا النموذج المقترح حيث وصلت صدقية النتائج بين 85% و 100% و ذلك باستخدام طريقتين مختلفتين لفك تضبيب النموذج المقترح.
التبخر هو أحد العناصر الأساسية للدورة الهيدرولوجية و ضروري للعديد من الدراسات مثل الموازنة المائية, تصميم أنظمة الري و إدارة الموارد المائية, و يتطلب تقديره معرفة العديد من العناصر المناخية. على الرغم من أن هناك صيغاً تجريبيَّةً متوفرةً لتقدير التبخر , و لكن أداء هذه الصيغ غير دقيق بسبب الطبيعة المعقدة لعملية التبخر. لذلك فإن هذا البحث يهدف لوضع نموذج شبكة عصبية صنعيَّة للتنبؤ بالتبخر الشهري في منطقة حماه باستخدام ثلاثة عناصر مناخية هي درجة الحرارة, الرطوبة النسبية و سرعة الرياح. من أجل ذلك فقد بُني النموذج باستخدام مكتبة nntool-box إحدى أدوات الـ MATLAB. استُخدمت الشبكة العصبية الصنعيَّة ذات التغذية الأمامية و الانتشار العكسي للخطأ بطبقة خفية واحدة لبناء النموذج. و تم تقييم شبكات مختلفة بعدد مختلف من العصبونات و بتغيير دوال التفعيل المستخدمة في كل طبقة. و استُخدم جذر متوسط مربع الخطأ (RMSE) لتقييم دقة النموذج المُقترح. و قد بينت الدراسة أن الشبكة العصبية الصنعيَّة ذات الهيكلية (3-14-1) هي الأفضل للتنبؤ بالتبخر في منطقة حماه حيث كانت قيمة RMSE تساوي (21.5mm/month) و قيمة R2 مساوية (0.97). توصي الدراسة باستخدام أنواع أخرى من الشبكات العصبية لتقدير التبخر.
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا