مدل ترکیبی موجک و شبکه عصبی برای پیش بینی غلظت سولفات و کلراید رودخانه ها (مطالعه موردی: رودخانه دز)
Publish place: Irrigation and Drainage، Vol: 8، Issue: 3
Publish Year: 1393
نوع سند: مقاله ژورنالی
زبان: Persian
View: 163
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IDJ-8-3_008
تاریخ نمایه سازی: 25 اردیبهشت 1400
Abstract:
از مهمترین عوامل موثر در توسعه پایدار یک منطقه، فراهم آوردن منابع آب مناسب از نظر کمی و کیفی میباشد. در این مطالعه مدلهای شبکه عصبی مصنوعی، رگرسیون خطی چند متغیره و ترکیب شبکه عصبی- موجک برای پیش بینی غلظت سولفات و کلراید در ایستگاه بامدژ رودخانه دز بررسی شد و تاثیر پیشپردازش دادهها روی عملکرد مدلها بهوسیله تجزیه موجک مورد تحقیق قرار گرفت. بدین منظور سریهای زمانی دبی، سولفات و کلراید مشاهده شده رودخانه، در سطوح مختلفی به زیرسریها تجزیه شدند. سپس حاصل جمع جبری زیرسریهای موثر دبی، سولفات و کلراید به عنوان ورودی مدل شبکه عصبی برای پیشبینی یک ماه بعدی سولفات و کلراید درنظر گرفته شد. نتایج نشان داد که عملکرد پیشبینی مدل ترکیبی موجک نسبت به شبکه عصبی و رگرسیون بهتر می باشد. همچنین مدل ترکیبی موجک عصبی برای مقادیر بیشینه، پیشبینی قابل قبولی را ارائه داد. این مدل، میانگین حداقل خطا را برای مدلهای رگرسیون و شبکه عصبی در مدلسازی کلراید، به ترتیب از ۸۴/۰ و ۶۴/۰ به ۵۲/۰ و در مدلسازی سولفات به ترتیب از ۷/۱ و ۹۵/۰ به ۶۳/۰ کاهش داد. همچنین این مدل توانست پدیده هیسترزیس را برای مدل سولفات به خوبی شبیهسازی کند، درحالی که مدل رگرسیون در تشخیص آن ناتوان بود.
Keywords:
Authors
طاهر رجایی
استادیار گروه مهندسی عمران و نویسنده مسئول، دانشگاه قم، قم، ایران
حمیده جعفری
دانش آموخته کارشناسی ارشد سازه های هیدرولیکی، گروه عمران، دانشگاه قم، قم، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :