Documents disponibles écrits par cet auteur

Artificial neural network for bedload estimation in alluvial rivers / Mustafa Sasal in Journal of hydraulic research, Vol. 47 N° 2+ Supplément (Mars/Avril 2009) 

Public ISBD [article]  in Journal of hydraulic research > Vol. 47 N° 2+ Supplément (Mars/Avril 2009) . - pp. 223-232 Titre : Artificial neural network for bedload estimation in alluvial rivers Titre original : Un réseau neuronal artificiel pour l'évaluation du transport solide dans les fleuves alluviaux Type de document : texte imprimé Auteurs : Mustafa Sasal, Auteur ; Shalini Kashyap, Auteur ; Colin D. Rennie, Auteur Année de publication : 2009 Article en page(s) : pp. 223-232 Note générale : Hydraulique Langues : Anglais (eng) Mots-clés : Alluvial  channels  Artificial  neural  network  Bedload  Levenberg-Marquardt  algorithm  River  engineering  Sediment  transport Index. décimale : 627 Ingénierie des cours d'eau naturels, des ports, des rades et des cotes. Installations de navigation, de dragage, de récupération et de sauvetage. Barrages et centrales électriques hydrauliques Résumé : A talented soft computational technique is applied to predict bedload sediment discharge in rivers. The feedforward–backpropagated (Levenberg–Marquardt algorithm) Artificial Neural Network (ANN) architecture is employed without any restriction to an extensive database compiled from measurements in 16 different rivers. Following the assessment of several possible models, two dimensionless parameters were selected from an initial set of five for the prediction of dimensionless bedload discharge. The ANN method demonstrated an encouraging performance compared to other standard methods. The mean value and standard deviation of the bedload predictions of theANN model differ only slightly from the measured values. The coefficient of determination and the efficiency coefficient of the ANN method are higher than those of the traditional methods. The performance of the currently used ANN method demonstrates its predictive capability and the possibility of generalization of the modeling to nonlinear problems for river engineering applications. Une technique informatique simple et performante est appliquée à la prévision du transport de sédiment dans les fleuves. L'architecture ANN (Artificial Neural Network) alimenté-avant-propagé-arrière (algorithme de Levenberg-Marquardt) est appliquée sans aucune restriction à une base de données étendue compilée à partir de mesures effectuées dans 16 fleuves différents. Après l'évaluation de plusieurs modèles possibles, deux paramètres sans dimensions ont été choisis parmi un premier ensemble de cinq pour la prévision du débit adimensionnel de transport solide. La méthode ANN a fait preuve de qualités encourageantes comparée à d'autres méthodes standard. La valeur moyenne et l'écart type des prévisions de transport solide données par le modèle ANN ne diffèrent que légèrement des valeurs mesurées. Le coefficient de détermination et le coefficient d'efficacité de la méthode ANN sont supérieurs à ceux des méthodes traditionnelles. Les résultats de la méthode ANN utilisée ici démontrent ses capacités prédictives et la possibilité d'une généralisation pour modéliser les problèmes non-linéaires en technologie fluviale. DEWEY : 627 ISSN : 0022-1686 En ligne : http://www.journalhydraulicresearch.com [article] Artificial neural network for bedload estimation in alluvial rivers = Un réseau neuronal artificiel pour l'évaluation du transport solide dans les fleuves alluviaux [texte imprimé] / Mustafa Sasal, Auteur ; Shalini Kashyap, Auteur ; Colin D. Rennie, Auteur . - 2009 . - pp. 223-232. Hydraulique Langues : Anglais (eng) in Journal of hydraulic research > Vol. 47 N° 2+ Supplément (Mars/Avril 2009) . - pp. 223-232 Mots-clés : Alluvial  channels  Artificial  neural  network  Bedload  Levenberg-Marquardt  algorithm  River  engineering  Sediment  transport Index. décimale : 627 Ingénierie des cours d'eau naturels, des ports, des rades et des cotes. Installations de navigation, de dragage, de récupération et de sauvetage. Barrages et centrales électriques hydrauliques Résumé : A talented soft computational technique is applied to predict bedload sediment discharge in rivers. The feedforward–backpropagated (Levenberg–Marquardt algorithm) Artificial Neural Network (ANN) architecture is employed without any restriction to an extensive database compiled from measurements in 16 different rivers. Following the assessment of several possible models, two dimensionless parameters were selected from an initial set of five for the prediction of dimensionless bedload discharge. The ANN method demonstrated an encouraging performance compared to other standard methods. The mean value and standard deviation of the bedload predictions of theANN model differ only slightly from the measured values. The coefficient of determination and the efficiency coefficient of the ANN method are higher than those of the traditional methods. The performance of the currently used ANN method demonstrates its predictive capability and the possibility of generalization of the modeling to nonlinear problems for river engineering applications. Une technique informatique simple et performante est appliquée à la prévision du transport de sédiment dans les fleuves. L'architecture ANN (Artificial Neural Network) alimenté-avant-propagé-arrière (algorithme de Levenberg-Marquardt) est appliquée sans aucune restriction à une base de données étendue compilée à partir de mesures effectuées dans 16 fleuves différents. Après l'évaluation de plusieurs modèles possibles, deux paramètres sans dimensions ont été choisis parmi un premier ensemble de cinq pour la prévision du débit adimensionnel de transport solide. La méthode ANN a fait preuve de qualités encourageantes comparée à d'autres méthodes standard. La valeur moyenne et l'écart type des prévisions de transport solide données par le modèle ANN ne diffèrent que légèrement des valeurs mesurées. Le coefficient de détermination et le coefficient d'efficacité de la méthode ANN sont supérieurs à ceux des méthodes traditionnelles. Les résultats de la méthode ANN utilisée ici démontrent ses capacités prédictives et la possibilité d'une généralisation pour modéliser les problèmes non-linéaires en technologie fluviale. DEWEY : 627 ISSN : 0022-1686 En ligne : http://www.journalhydraulicresearch.com