شبیه سازی بارش- رواناب با استفاده از ماشین آموزش نوین در حوضه رودخانه شهرچای
عنوان مقاله: شبیه سازی بارش- رواناب با استفاده از ماشین آموزش نوین در حوضه رودخانه شهرچای
شناسه ملی مقاله: JR_JWMR-12-23_020
منتشر شده در در سال 1400
شناسه ملی مقاله: JR_JWMR-12-23_020
منتشر شده در در سال 1400
مشخصات نویسندگان مقاله:
امیر علیزاده - Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah
احمد رجبی - Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah
سعید شعبانلو - Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah
بهروز یعقوبی - Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah
فریبرز یوسفوند - Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah
خلاصه مقاله:
امیر علیزاده - Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah
احمد رجبی - Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah
سعید شعبانلو - Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah
بهروز یعقوبی - Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah
فریبرز یوسفوند - Department of Water Engineering, College of Agriculture, Islamic Azad University, Kermanshah Branch, Kermanshah
در این مطالعه، داده های سری زمانی بارش و رواناب حوضه رودخانه شهرچای از سال ۲۰۰۰ تا ۲۰۱۷ با استفاده از یک مدل هوش مصنوعی نوین ترکیبی شبیه سازی شد. برای توسعه مدل هوش مصنوعی مذکور سه الگوریتم ماشین آموزش نیرومند (ELM)، تکامل تفاضلی (DE)و تبدیل موجک (WT) با هم ترکیب شدند و مدلهای ترکیبی SAELM و WSAELM ارائه شد. در ابتدا، موثرترین تاخیرهای داده های سری زمانی با استفاده از تابع خود همبستگی شناسایی شدند. سپس با استفاده از این تاخیرها، برای هر یک از مدلهای SAELM و WSAELM هفت مدل هوش مصنوعی تعریف گردید. علاوه بر این ۷۰ درصد مقادیر مشاهداتی برای آموزش مدلهای هوش مصنوعی و ۳۰ درصد باقیمانده نیز برای ارزیابی آنها استفاده شدند. برای مدل WSAELM ۷ به عنوان مدل برتر، مقادیر R۲، شاخص پراکندگی (SI) و ضریب نش(NSC) برای شبیه سازی بارش به ترتیب مساوی با ۰/۹۶۷، ۰/۲۰۸ و ۰/۹۶۵ بدست آمدند. همچنین تحلیل حساسیت نشان داد که تاخیرهای (t-۱)، (t-۲) و (t-۱۲) بهعنوان موثرترین تاخیرهای ورودی در نظر گرفته شدند. در انتها برای مدلهای برتر یک تحلیل عدم قطعیت انجام شد.
کلمات کلیدی: Differential evolution, Extreme learning machine, Lake Urmia, Rainfall, Runoff, Shaharchay River, Wavelet transform, بارش, تبدیل موجک, تکامل تفاضلی, رواناب, رودخانه شهرچای, دریاچه ارومیه, ماشین آموزش نیرومند
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1275306/