Rainfall Runoff Analysis using Artificial Neural Network
Notice bibliographique
Résumé
Background/Objective: The main objective of the present study is to conduct laboratory experiment for the generation of rainfall runoff data using rainfall simulator. For the validation this observed data, a model is establish for estimating observed runoff data using Artificial Neural Network (ANN) technique. Methods: A total 12 laboratory experiments were conducted using rainfall simulator to generate runoff hydrograph using various slope and rainfall intensity over the catchment. For the validation of observed runoff hydrograph data were simulate using ANN. The ANN model was developed using collected 1076 data point to compute runoff discharge. For developing ANN model, the available data were separated as 70% for training, 15% for testing and 15% for validation. Results: The predicted results using ANN model performed better estimation with observed values which is useful for water resources planning and management etc. For the testing of model performance Nash-Sutcliffe efficiency criteria were used which gives NSE greater than 95%. Conclusion: The comparison of observed and predicted runoff hydrograph reveals that the Artificial Neural Network (ANN) predicts the runoff data reasonably well in observed hydrograph. It is found that ANNs are promising tools not only in accurate modeling of complex processes but also in providing insight from the learned relationship, which would assist the modeler in understanding of the process under investigation as well as in evaluation of the model. Keywords: ANNs, Laboratory Experiments, Rainfall-Runoff, Rainfall Simulator
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».