پديد آورنده :
محمودي، محمدرضا
عنوان :
منطقه اي نمودن منحني هاي شدت- مدت- فراواني(IDF ) به روش گشتاورهاي خطي
مقطع تحصيلي :
كارشناسي ارشد
گرايش تحصيلي :
مهندسي منابع آب
محل تحصيل :
اصفهان : دانشگاه صنعتي اصفهان
صفحه شمار :
هشت، 128ص. : مصور، جدول، نمودار
استاد راهنما :
سعيد اسلاميان
استاد مشاور :
سعيد سلطاني كوپايي
توصيفگر ها :
منحني هاي شدت- مدت- فراواني , گشتاورهاي خطي , خوشه بندي , شبكه عصبي گازي , شبكه عصبي گازي رشد يابنده , منطقه اي كردن بارندگي
استاد داور :
عليرضا گوهري، رضا مدرس
تاريخ ورود اطلاعات :
1400/02/06
تاريخ ويرايش اطلاعات :
1400/02/07
چكيده فارسي :
چكيده سيالبها يكي از پرتكرارترين و مخربترين وقايع طبيعي ميباشند كه هر ساله خسارات جاني و مالي زيادي را با آسيب به منازل مزارع كشاورزي جادهها و موجب ميشوند منحنيهاي IDF ابزار مهم و كاربردي ميباشند كه براي مطالعات كنترل سيالب از جمله طراحي سازههاي آبي استفاده ميشوند اين منحنيها قادرند مقدار بارندگي در تداومها و دورههاي بازگشت معين را برآورد كنند استخراج اين منحنيها با در اختيار داشتن آمار و اطالعات ايستگاههاي مجهز به بارانسنج ثبات امكانپذير است در بسياري از موارد يا ايستگاه در نقطه مورد نظر وجود ندارد و يا در صورت وجود آمار و اطالعات آن كافي نميباشد در اين صورت استخراج اين منحنيها با روشهاي مرسوم امكانپذير نميباشد منطقهاي نمودن IDF ها شيوهاي است كه مشكالت ذكر شده در روشهاي رايج را برطرف نموده است در اين تحقيق از روش گشتاورهاي خطي براي ترسيم منحنيهاي IDF منطقهاي استفاده شد در اين روش به جاي استفاده از توزيعهاي آماري حاكم بر سري زماني حداكثر مقادير بارش در تداومهاي زماني معين در هر ايستگاه از توزيعهاي منطقهاي استفاده ميشود به اين صورت كه براي هر منطقه همگن تنها يك توزيع آماري در نظر گرفته ميشود اين امر موجب سادگي محاسبات و كاهش پيچيدگيهاي روش مرسوم ميشود در اين مسير خوشهبندي يكي از تاثيرگذارترين مراحل ميباشد كه منطقه و ايستگاههاي موجود را به مناطق همگن تقسيم مينمايد از اين رو در اين تحقيق عالوه بر روشهاي رايج در خوشهبندي از دو مدل جديد شبكه عصبي گازي و شبكه عصبي گازي رشد يابنده استفاده شد يكي از ويژگيهاي منحصربفرد اين الگوريتمها يادگيري توپولوژي يا شكل توزيع حاكم بر فضاي دادهها ميباشد طول جغرافيايي عرض جغرافيايي ارتفاع متوسط بارش ساالنه و حداكثر بارش 42 ساعته ساالنه ايستگاه متغيرهايي ميباشند كه از آنها براي خوشهبندي استفاده گرديد نتايج نشاندهنده كارايي و دقت باالي روشهاي به كار رفته به خصوص مدل شبكه عصبي گازي ميباشد متوسط ميزان خطا و همچنين ضريب تغييرات خطا در اين مدل به ترتيب 65 51 و 93 42 درصد برآورد شد كه بسيار مناسب تشخيص داده شد همچنين از ميان تمام روشهاي خوشهبندي استفاده شده بيشترين مقدار متوسط خطا و ضريب تغييرات خطا به ترتيب 53 61 و 91 52 درصد و مربوط به روش FCM مي باشد كه اين موضوع نمايانگر دقت باال و كارايي مناسب گشتاورهاي خطي در منطقهاي نمودن IDF ها ميباشد ايستگاههاي تنگهپنج و پايپل باالترين ميزان خطا در ميان تمام ايستگاهها را به خود اختصاص دادند كه به دليل طول دوره آماري ثبت شده كوتاه تنگهپنج 32 سال و پاي پل 61 سال براي آنها ميباشد كلمات كليدي منحنيهاي شدت مدت فراواني گشتاورهاي خطي خوشهبندي شبكه عصبي گازي شبكه عصبي گازي رشد يابنده منطقهاي كردن بارندگي 1
چكيده انگليسي :
Regionalization of intensity duration frequency IDF curves using the L moments method Mohammadreza Mahmoudi m mahmoudi@ag iut ac ir January 13 2021 Department of Water Engineering Isfahan University of Technology Isfahan 84156 83111 IranDegree M Ss Language Farsi1st Supervisor Saeid Eslamian saeid@cc iut ac irAbstractFloods are one of the most frequent and destructive natural events that cause a lot of human andfinancial losses every year with damage to houses agricultural fields roads etc IDF curves areimportant and practical tools used for flood control studies including the design of hydraulicstructures These curves are able to estimate the amount of rainfall at certain durations and returnperiods Extraction of these curves is possible by having statistics and information of stationsequipped with stability rain gauges In many cases either the station does not exist at the desiredpoint or if it does the statistics and information are insufficient In this case it is not possible toextract these curves by conventional methods Regionalization of IDFs is a method that solvesthe problems mentioned in common methods In this study the L Moments method was used toplot regional IDF curves In this method instead of using statistical distributions correspondingto the time series of maximum precipitation values at certain time durations in each station regional distributions are used In this way only one statistical distribution is considered for eachhomogeneous region This simplifies calculations and reduces the complexity of the conventionalmethod In this process clustering is one of the most effective steps that divides the region andexisting stations into homogeneous regions Therefore in this research in addition to the commonmethods in clustering two new models Neural Gas network and Growing Neural Gas networkwere used One of the unique features of these algorithms is learning the topology or shape of thedistribution according to the data space Latitude altitude average annual rainfall and maximum24 hour annual rainfall of the station are the variables that were used for clustering The resultsshow the high efficiency and accuracy of the methods used especially the Neural Gas networkmodel The average error rate as well as the error variation coefficient in this model wereestimated to be 15 56 and 24 39 percent respectively which was found to be very appropriate Also among all the clustering methods used the highest mean error and error coefficient ofvariation are 16 35 and 25 19 percent respectively and are related to the FCM method whichindicates high accuracy and good performance of L Moments Tange Panj and Paipol stations hadthe highest error rate among all stations due to the short statistical period recorded Tange Panj23 years and Paipol of 16 years for them Key WordsIntensity Duration Frequency Curves L Moments Clustering Neural Gas Network Growing Neural Gas Network Rainfall Regionalization 129
استاد راهنما :
سعيد اسلاميان
استاد مشاور :
سعيد سلطاني كوپايي
استاد داور :
عليرضا گوهري، رضا مدرس
