عنوان پایان‌نامه
مقایسه روشهای برآورد کمی میزان تبخیر سطحی برای دو اقلیم مختلف با استفاده از روشهای عددی و هوشمند
- رشته تحصیلی
- مهندسی طبیعت
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75784;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75784
- تاریخ دفاع
- ۲۹ شهریور ۱۳۹۵
- دانشجو
- کیوان سلطانی
- استاد راهنما
- احمد نوحه گر, محمد حسین جهانگیر
- چکیده
- یکی از پارامترهای اقلیمی که در صورت کنترل مناسب، می‌تواند سهم مؤثری در مدیریت و حل بحران آب داشته باشد تبخیر سطحی می‌باشد. در این پژوهش سعی بر آن شد تا با استفاده از مدل‌های عددی و هوشمند مقدار تبخیر برای دو سد امیرکبیر و میناب را که به ترتیب در اقلیم نیمه خشک و خشک قرار گرفته‌اند محاسبه گردد. از جمله عوامل مؤثر بر میزان تبخیر از سطوح آزاد آب‌ها عبارتند از دمای هوا، رطوبت نسبی، سرعت باد و سطح دریاچه. بدین منظور ابتدا برازش کلی برای حداکثر و حداقل داده‌های هواشناسی در دو منطقه مورد مطالعه انجام گرفت و مشخص گردید که این داده‌ها دارای نوسانات بسیاری در طول سال‌های آماری مورد مطالعه بوده و بیشترین نوسانات مربوط به حداقل سرعت باد در سد امیرکبیر و میناب می‌باشد. سایر پارامترها نیز نوسانات زیادی داشته که می‌توان گفت این تغییرات به سمتی پیش می‌رود که نشانی از تغییر اقلیم و گرمایش جهانی در کره زمین می‌باشد. پس از آن با استفاده از مدل‌های عددی مقدار تبخیر محاسبه گردید که برای هر دو اقلیم دو مدل هنفر و مارسیانو بیشترین ضریب همبستگی و کمترین مقدار خطا را داشتند. جهت بهبود خطای محاسباتی ضرایب تمامی مدل‌ها بصورت دستی تغییر کرده تا بتوان به بهترین نتیجه دست یافت که در این صورت مدل هنفر و مارساینو که تنها در ضرایب متفاوت بودند یکسان شده و ضریب همبستگی برای سد امیر کبیر از 0/935 به 0/966 و برای سد میناب از 0/847 به 0/794تغییر یافت که تأثیر مطلوب آن بر سد امیر کبیر بیشتر مشهود است. برای بالا رفتن دقت محاسباتی بهترین مدل بهینه شده با استفاده از الگوریتم ژنتیک مجدداً بهبود یافت که در این حالت از حداقل نمودن خطای RMSE جهت بهینه سازی استفاده گردید که در این صورت ضرایب فرمول برای سد میناب برابر با 0/024 و مقدار خطا از 3/885به 3/523 و در سد امیرکبیر این مقدار برابر با 0/0765 و مقدار خطا 0/87 به 0/847رسیده است که با اختلاف کمی نسبت به مقادیر بهینه شده دستی بهبود یافته‌اند. پس از آن مدلسازی شبکه عصبی مصنوعی برای دو سد میناب و امیرکبیر انجام گرفت که که در سد امیرکبیر ساختار ANN(5,4,1) دارای مطلوب ترین نتیجه با ضریب همبستگی 0/9365، خطای آموزش 0/0311 و خطای آزمون 0/0321 می‌باشد و در سد میناب نیز بهترین ساختارANN(5,5,1) با ضریب همبستگی 0/894، مقدار خطای آموزش 0/0011 و آزمایش 0/0082 می‌باشد که نتایج بدست آمده نشان از عملکرد بهتر شبکه عصبی مصنوعی در برآورد تبخیر در دو سد می‌باشد. باید توجه داشت که با وجود بالاتر بودن ضریب همبستگی در مدل عددی سد میناب مقدار خطا به زیر یک رسیده است که این نشانه عملکرد مناسب آن نسبت به مدل عددی می‌باشد.
- Abstract
- One of the significant parameters which, if properly controlled, can have a large share in managing and solving the water crisis is the evaporation surface. In this study, it was attempted to use numerical and Intelligent models, amount of evaporation for Amir kabir and Minab dams respectively in the semi-arid and arid been calculated. Among the factors affecting the rate of evaporation from surface waters include air temperature, relative humidity, wind speed and the lake. for this purpose, the overall fit for maximum and minimum meteorological data were studied in two areas and it was determined that the data has fluctuated during the period under study, with the largest changes is the minimum wind speed at Amir Kabir and Minab dams. Other parameters that can be said with high volatility driven by changes to the side which does climate change and global warming. After evaporation amount was calculated using numerical models for climate models both Hanfer and Marciano had the highest correlation coefficient and the least amount of errors. To improve the computational error coefficients of all models can be manually changed to achieve the best result in which case Hnfr model and Marciano were the same only different coefficients and correlation coefficients for Amir Kabir dam from 0.935 to 0.966 and 0.847 to 0.749 for Minab dam reached the desired effect on dam Amir Kabir is more evident. Optimized for high-precision computational models using genetic algorithms improved again. In this case, the minimum was used to optimize the RMSE error. In which case the formula coefficients equal to Minab dam 0.847 and errors is 0.024 in the amount equal to 0.076 and Amir Kabir Dam is the error 3.523 hand with a small margin improved compared to the optimized values. Then artificial neural network modeling was performed for two Minab dam and Amir Kabir Amir Kabir Dam structure at ANN (5, 4, 1) has the most favorable result with a correlation coefficient 0.936, 0.031 training error and test error 0.0321 and in Minab dam is also the best structure ANN (5, 5, 1) with a correlation coefficient 0.8941, 0.0011 training and testing error is 0.008. The results show better performance in the two dams is an artificial neural network for estimating evaporation. It should be noted that despite higher correlation coefficient is a numerical model of Minab Dam following the error the numerical model is to sign the proper functioning of the neural network. Keywords: surface evaporation, climate parameters, optimization, artificial neural networks, genetic algorithms, Amir Kabir Dam, Minab dam
