برآورد ضریب تبخیر تشتکی با استفاده از رویکرد عصبی – ژنتیکی

نوع فایل : word

تعداد صفحات : 14

تعداد کلمات : 2900

مجله : American Journal of Environmental Sciences

انتشار : 2011

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

:

تاریخ انتشار
1 جولای 2020
دسته بندی
تعداد بازدیدها
898 بازدید
10,000 تومان

عنوان فارسی مقاله:برآورد ضریب تبخیر تشتکی با استفاده از رویکرد عصبی – ژنتیکی

چکیده

تشریح مسئله: ضریب تبخیر تشتکی (Kp) برای تبدیل تبخیر تشتکی (Ep) به تبخیر تعرق مرجع (ETo) به دلیل سادگی و مناسبتان برای مناطقی با محدودیت داده‌های هواشناسی استفاده می‌شود. رویکرد: این مطالعه از روش عصبی ژنتیکی برای برآورد Kp برای تشتک کلاس ا و تشتک کلروادو سانکن تحت شرایط مرطوب و خشک استفاده می‌کند(برآوردضریب تبخیر تشتکی با رویکرد عصبی). نتایج: مقادیر معرف برای نشان دادن داده‌های مقوله‌ای(سرعت با د و نیز رطوبت نسبی استفاده شد. پی برده شد که رطوبت ژنتیکی به جست و جوی اتوماتیک ساختار بهینه‌ی شبکه‌ی تکثیر پسین کمک کرده و می‌تواند جایگزین خوبی برای روش‌های کسل کننده‌ی آزمون و خطا باشد. نتیجه گیری: آزمون قیاسی نشان داد که رویکرد عصبی – ژنتیکی عمدتاً یک رویکرد نسبتاً از معادلات پیشنهادی Kp قبلی هم برای شرایط سرد و هم برای شرایط خشک می‌باشد(برآوردضریب تبخیر تشتکی با رویکرد عصبی).

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Estimation of Pan Evaporation Coefficient using Neuro-Genetic Approach

Abstract

Problem statement: The pan evaporation coefficient (Kp) is used to convert pan Evaporation (Ep) to reference Evapotranspiration (ETo) due to its simplicity and suitability for locations with limited availability of meteorological data. Approach: This study presents the use of neuro-genetic approach for estimating Kp for Class A pan and Colorado Sunken pan under green and dry fetch conditions. Results: Representative values were used to represent the category data, i.e., wind run and relative humidity. It was found that the genetic algorithm helped automatically search for the optimal structure of the back-propagation network, replacing the very tedious trial and error approach. Conclusion: A comparative analysis showed that the neural-genetic approach fairly outperformed previous proposed Kp equations for both green and dry fetch conditions.

دیدگاهتان را بنویسید