FRINK Linked Data Fragments server

Matches in SemOpenAlex for { <https://semopenalex.org/work/W2113277050> ?p ?o ?g. }

• W2113277050 abstract "Permodelan bagi proses hidraulik dan hidrologi adalah penting apabila dilihat dari sudut kepelbagaian penggunaan sumber air seperti janakuasa hidroeletrik, pengairan, pengagihan bekalan air, dan kawalan banjir. Terdapat banyak kajian sebelum ini yang telah menggunakan kaedah rangkaian neural tiruan atau artificial neural network (ANN) untuk permodelan pelbagai perhubungan tak linear dan kompleks dalam proses hidrologi. Kaedah rangkaian neural tiruan ini telah diketahui bahawa ia merupakan suatu struktur matematik yang mudah ubah (flexible) dan berpotensi untuk menjana dan merumus set-set data masukan dan keluaran yang kurang tepat atau kabur dan tidak dihalusi dengan sempurna. Kawasan kajian adalah kawasan tadahan Sungai Lui (Selangor, Malaysia). Kertas Kerja ini mengutarakan cadangan menggunakan kaedah rangkaian neural tiruan ini bagi mendapatkan jumlah air larian permukaan harian dengan menggunakan hujan sebagai nod masukan kepada model berkenaan. Terdapat dua kaedah telah digunakan dalam pemilihan bilangan nod masukan iaitu seperti yang telah dicadangkan oleh [10] dan [5]. Seterusnya, hasil keputusan yang diperolehi daripada permodelan rangkaian neural tiruan ini dibandingkan dengan hasil keputusan yang diperolehi daripada model HEC-HMS. Didapati bahawa model rangkaian neural tiruan dapat menjana dan merumus perhubungan antara air larian permukaan dan curahan hujan lebih baik berbanding dengan model HEC-HMS. Kata kunci: hidrologi, rangkaian neural tiruan, hubungan air larian permukaan-curahan hujan The modelling of hydraulic and hydrological processes is important in view of the many uses of water resources such as hydropower generation, irrigation, water supply, and flood control. There are many previous works using the artificial neural network (ANN) method for modelling various complex non-linear relationships of hydrologic processes. The ANN is well known as a flexible mathematical structure and has the ability to generalize patterns in imprecise or noisy and ambiguous input and output data sets. The study area is Sungai Lui catchment (Selangor, Malaysia). This paper presents the proposed ANN model for prediction of daily runoff using the rainfall as input nodes. The method for selection of input nodes by [10] and [5] is applied. Further, the results are compared between ANN and HEC-HMS model. It has been found that the ANN models show a good generalization of rainfall-runoff relationship and is better than HEC-HMS model. Key words: hydrologic, artificial neural network, rainfall-runoff relationship" @default.
• W2113277050 created "2016-06-24" @default.
• W2113277050 creator A5011292376 @default.
• W2113277050 creator A5027966779 @default.
• W2113277050 creator A5058173252 @default.
• W2113277050 date "2012-01-20" @default.
• W2113277050 modified "2023-10-05" @default.
• W2113277050 title "Artificial Neural Network Model for Rainfall–Runoff Relationship" @default.
• W2113277050 cites W1493775511 @default.
• W2113277050 cites W1562919956 @default.
• W2113277050 cites W1601062583 @default.
• W2113277050 cites W1989237559 @default.
• W2113277050 cites W1989543665 @default.
• W2113277050 cites W1996150433 @default.
• W2113277050 cites W1997052296 @default.
• W2113277050 cites W1998442441 @default.
• W2113277050 cites W2017198208 @default.
• W2113277050 cites W2023430894 @default.
• W2113277050 cites W2023567628 @default.
• W2113277050 cites W2023677451 @default.
• W2113277050 cites W2024520223 @default.
• W2113277050 cites W2030122133 @default.
• W2113277050 cites W2108307518 @default.
• W2113277050 cites W2167170348 @default.
• W2113277050 cites W2168279828 @default.
• W2113277050 cites W2766736793 @default.
• W2113277050 cites W592913488 @default.
• W2113277050 doi "https://doi.org/10.11113/jt.v37.524" @default.
• W2113277050 hasPublicationYear "2012" @default.
• W2113277050 type Work @default.
• W2113277050 sameAs 2113277050 @default.
• W2113277050 citedByCount "9" @default.
• W2113277050 countsByYear W21132770502012 @default.
• W2113277050 countsByYear W21132770502014 @default.
• W2113277050 countsByYear W21132770502015 @default.
• W2113277050 countsByYear W21132770502016 @default.
• W2113277050 countsByYear W21132770502020 @default.
• W2113277050 crossrefType "journal-article" @default.
• W2113277050 hasAuthorship W2113277050A5011292376 @default.
• W2113277050 hasAuthorship W2113277050A5027966779 @default.
• W2113277050 hasAuthorship W2113277050A5058173252 @default.
• W2113277050 hasBestOaLocation W21132770501 @default.
• W2113277050 hasConcept C121332964 @default.
• W2113277050 hasConcept C154945302 @default.
• W2113277050 hasConcept C205649164 @default.
• W2113277050 hasConcept C41008148 @default.
• W2113277050 hasConcept C50644808 @default.
• W2113277050 hasConcept C97137747 @default.
• W2113277050 hasConceptScore W2113277050C121332964 @default.
• W2113277050 hasConceptScore W2113277050C154945302 @default.
• W2113277050 hasConceptScore W2113277050C205649164 @default.
• W2113277050 hasConceptScore W2113277050C41008148 @default.
• W2113277050 hasConceptScore W2113277050C50644808 @default.
• W2113277050 hasConceptScore W2113277050C97137747 @default.
• W2113277050 hasLocation W21132770501 @default.
• W2113277050 hasOpenAccess W2113277050 @default.
• W2113277050 hasPrimaryLocation W21132770501 @default.
• W2113277050 hasRelatedWork W2271181815 @default.
• W2113277050 hasRelatedWork W2902782467 @default.
• W2113277050 hasRelatedWork W2935759653 @default.
• W2113277050 hasRelatedWork W3105167352 @default.
• W2113277050 hasRelatedWork W3148032049 @default.
• W2113277050 hasRelatedWork W54078636 @default.
• W2113277050 hasRelatedWork W1501425562 @default.
• W2113277050 hasRelatedWork W2298861036 @default.
• W2113277050 hasRelatedWork W2954470139 @default.
• W2113277050 hasRelatedWork W3084825885 @default.
• W2113277050 isParatext "false" @default.
• W2113277050 isRetracted "false" @default.
• W2113277050 magId "2113277050" @default.
• W2113277050 workType "article" @default.