بهینه سازی مدل انفیس توسط الگوریتم ژنتیک برای تخمین عمق آبشستگی در اطراف تکیه گاه پل ها
Publish place: Journal of Water and Soil Science، Vol: 25، Issue: 1
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 263
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_JWSS-25-1_006
تاریخ نمایه سازی: 13 مرداد 1400
Abstract:
بهینهسازی مدل های هوش مصنوعی از اهمیت بسزایی برخوردار است زیرا باعث بهبود عملکرد این مدل ها و افزایش انعطاف آنها می شود. در این مطالعه، عمق آبشستگی در مجاورت تکیه پل ها به شکل های مختلف توسط مدل ANFIS و ANFIS-Genetic Algorithm (GA) تخمین زده شد. به عبارت دیگر، برای بهینه سازی توابع عضویت مدل ANFIS از GA استفاده شد که عملکرد مدل ANFIS به شکل قابل توجهی بهبود یافت. در ابتدا، پارامترهای تاثیرگذار بر روی عمق آبشستگی در اطراف تکیه گاه پل ها تعریف شدند. سپس با استفاده از این پارامترهای ورودی، یازده مدل مختلف برای هر یک از مدل های ANFIS و ANFIS-GA تولید شدند. سپس با تجزیه و تحلیل نتایج این مدل ها، مدل برتر برای هر یک از روش های ANFIS و ANFIS-GA زنتیک معرفی شدند. به عنوان مثال، مقدار ضریب همبستگی و شاخص پراکندگی برای مدل ANFIS به ترتیب برابر با ۰/۹۷۹ و ۰/۰۷۰ و برای مدل ANFIS-GA نیز به ترتیب مساوی با ۰/۹۸۶ و ۰/۰۵۶ محاسبه شدند. علاوه بر این، نسبت اختلاف متوسط برای مدل های برتر ANFIS و ANFIS-GA به ترتیب مساوی با ۰/۹۸۴ و ۰/۹۸۸ بودند. بنابراین نشان داده شد که مدل های ترکیبی ANFIS-GA دقت بیشتری در مقایسه با مدل های ANFIS داشتند. همچنین، تحلیل حساسیت نشان داد که عدد فرود (Fr) و نسبت عمق جریان به شعاع حفره آبشستگی (h/L) به عنوان موثرترین پارامترهای ورودی برای تخمین عمق آبشستگی در مجاورت تکیه گاه پل ها شناسایی شدند.
Keywords:
Authors
احسان یارمحمدی
۱. Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran.
سعید شعبانلو
۱. Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran.
احمد رجبی
۱. Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran.
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 :