پیش بینی جریان ورودی به مخزن سد کمال صالح با استفاده از محاسبات نرم
Publish Year: 1394
نوع سند: مقاله ژورنالی
زبان: Persian
View: 111
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WATER-6-1_013
تاریخ نمایه سازی: 3 اسفند 1400
Abstract:
پیشبینی جریان ورودی به مخازن سدها به منظور انجام برنامهریزی و بهرهبرداری مناسب منابع آب لازم و ضروری است. در این تحقیق عملکرد دو مدل هوشمند شبکههای عصبی مصنوعی و سامانه استنتاج فازی- عصبی تطبیقی مبتنی بر روش دستهبندی تفریقی در پیشبینی جریان ورودی به سد کمال صالح در استان مرکزی مورد بررسی قرار گرفت. بدین منظور از دادههای جریان و بارش در یک دوره آماری ۳۱ ساله (۱۳۹۰- ۱۳۶۰)استفاده شد و پیشبینی جریان در گامهای زمانی روزانه و ماهانه انجام شد. از مقادیر دبی جریان و بارش در گامهای زمانی قبلی به عنوان الگوهای ورودی مدلها استفاده شد. عملکرد هر دو مدل در پیشبینیهای روزانه و ماهانه جریان بر اساس مقادیر شاخصهای خطای R، RMSE و MAE بسیار مطلوب بود، هرچند عملکرد مدل فازی- عصبی بهتر از مدل شبکههای عصبی بود (کمتر از ۳ درصد). استفاده از ضریب فصلی موجب بهبود عملکرد مدلها در پیشبینیهای ماهانه شد. در ادامه، اثرات متغیرهای اقلیمی بزرگ مقیاس شامل شاخص نوسانات آتلانتیک شمالی و شاخص نوسانات جنوبی در پیشبینیهای ماهانه حاصل از الگوی بهینه مدل برتر بخش قبل، مورد بررسی قرار گرفت. نتایج به دست آمده حاکی از آن بود که استفاده از شاخصهای اقلیمی در ترکیب الگوهای ورودی، میتواند موجب بهبود عملکرد مدل در پیش بینیهای جریان ورودی گردد. در این میان شاخص نوسانات جنوبی تاثیر بیشتری بر بهبود پیشبینی دبی جریان ماهانه داشت. به طوریکه، مقدار شاخصهای آماری تحلیل خطای مدل فازی- عصبی شامل R، RMSE و MAE به ترتیب برابر ۹۱/۰، ۵۶/۳، ۷۳/۳ به دست آمدند که نشاندهنده توان افزایش دقت مدل با بهبود شاخصهای خطا به ترتیب به میزان ۱۱، ۹ و ۱۱ درصد میباشد.
Keywords:
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 :