پیش بینی میان مدت تقاضای آب شهری با استفاده از شبکه های عصبی مبتنی بر الگوریتم های تکاملی (مطالعه موردی: شهرستان صوفیان)
Publish place: Irrigation and Drainage، Vol: 11، Issue: 3
Publish Year: 1396
نوع سند: مقاله ژورنالی
زبان: Persian
View: 402
This Paper With 15 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-11-3_007
تاریخ نمایه سازی: 25 اردیبهشت 1400
Abstract:
پیشبینی تقاضای آب در سیستمهای آبرسانی به منظور مدیریت صحیح منابع آب و توزیع آن امری ضروری است. با توجه به روند پرنوسان و غیرخطی مصرف آب و متغیرهای موثر بر آن، استفاده از مدلهای غیرخطی مانند شبکههای عصبی در این زمینه توفیق بیشتری داشتهاند. از طرفی این مدلها دارای نقاط ضعفی مانند نیاز به دادههای آموزشی فراوان و ضعف در یافتن نقاط بهینه سراسری میباشند. در این مطالعه با ادغام شبکه عصبی چند لایه با الگوریتمهای تکاملی PSO و ICA، علاوه بر رفع نقایص مذکور، اقدام به آموزش شبکه و پیشبینی روزانه مصرف آب در شهرستان صوفیان بر اساس پارامترهای هواشناسی شده است. مقایسه نتایج شبکه ترکیب شده با الگوریتمهای PSO و ICA با شبکهای که توسط الگوریتم کلاسیک LM آموزش دیده، نشان میدهد که شبکههای ترکیبی عملکرد بهتری داشته و در این بین، شبکه عصبی ترکیبی با PSO، با ضریب همبستگی ۹۸/۰ در هر یک از فصول گرم و سرد سال، دقت بالاتری نسبت به سایر شبکهها دارد. همچنین پیشبینی تقاضای آب با استفاده از مدل ترکیبی طراحی شده، با چشمانداز ۱۰ ساله، نشان میدهد که تقاضای آب در این شهرستان در سال ۱۴۰۴ حدود ۴۰% افزایش خواهد یافت.
Keywords:
Authors
نازیلا کاردان
گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه شهید مدنی آذربایجان، تبریز، ایران
یوسف حسن زاده
استاد گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز
حامد رضوی نژاد
دانشجوی دکتری سازه های هیدرولیکی، دانشکده مهندسی عمران، دانشگاه تبریز
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 :