TY - JOUR ID - 4891 TI - تخمین ضریب پخش طولی آلاینده ها در مجاری روباز با استفاده از شبکه عصبی مصنوعی JO - دانش آب و خاک JA - WS LA - fa SN - 2008-5133 AU - ایزدی نیا, الهام AU - سعادت پور, عالیه AU - حیدرپور, منوچهر AD - استادیار گروه مهندسی عمران، دانشگاه شهید اشرفی اصفهانی (ره) AD - دانشجوی دکترای گروه علوم و مهندسی آب، دانشگاه فردوسی مشهد AD - استاد گروه مهندسی آب، دانشگاه صنعتی اصفهان Y1 - 2016 PY - 2016 VL - 26 IS - شماره1 بخش 2 SP - 225 EP - 238 KW - آلاینده KW - انتقال آلودگی KW - شبکه عصبی مصنوعی KW - ضریب پخش طولی KW - کانال باز DO - N2 - انتقال طولی آلاینده ها یکی از مراحل مهم در فرآیند رقیق سازی آلاینده ها میباشد که شناخت آن از اهمیت ویژهایبرخوردار است. دشواری اندازه گیری ضریب انتشار طولی در رودخانهها نیاز به استفاده از روشهای مناسب مدلسازیدر پیشبینی این ضریب را بیشتر میکند. یکی از روشهای کارآمد مدل سازی شبکه عصبی مصنوعی است که یکی ازتکنیکهای هوش مصنوعی محسوب میشود. در این مدل بدون استفاده از معادلات پیچیده غیرخطی، میتوان دینامیکحاکم بر سیستم را استخراج نموده و از این طریق، خروجی مدل را پیشبینی نمود. در این مطالعه ضریب انتشار طولی باتوجه به مقادیر پارامترهای هیدرولیکی و هندسی رودخانه ها به عنوان پارامترهای ورودی و با استفاده از شبکه عصبیمصنوعی پیش بینی گردید. نتایج نشان داد شبکه پرسپترون پیشخور، پس انتشار خطا از دقت مناسبی برای تخمین ضریبپخش طولی آلودگی برخوردار است. نتایج تحلیل ترکیب پارامترهای ورودی نشان داد که با لحاظ نسبت سرعت به سرعت0 % و در صورت لحاظ / 0 و تابع خطا برابر 87 / برشی بهعنوان پارامتر ورودی مدل، میزان ضریب تعیین همبستگی 841/ 0 و تابع خطا برابر 01 / نسبت عرضجریان به عمق جریان بهعنوان پارامتر ورودی، میزان ضریب تعیین همبستگی 7% حاصل شد. بنابراین نسبت سرعت بهسرعت برشی یا ضریب زبری دارای تأثیر بیشتری بر ضریب انتشار طولی است.روشارائهشده در این تحقیق رهیافتی کارآمد در تخمین ضریب پخش طولی آلودگی در رودخانه ها محسوب شده و قابلیتترکیب با سایر مدلهای پخش آلودگی را دارا میباشد. UR - https://water-soil.tabrizu.ac.ir/article_4891.html L1 - https://water-soil.tabrizu.ac.ir/article_4891_71f52261e4c0ea159c3898da3b696fd2.pdf ER -