پیش بینی جریان ورودی به مخزن سد کمال صالح با استفاده از محاسبات نرم

Publish Year: 1394
نوع سند: مقاله ژورنالی
زبان: Persian
View: 89

This Paper With 14 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

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.

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 :
  • منابعانوری تفتی، ص.، ب. ثقفیان و س. مرید. ۱۳۹۰. پیش­بینی ...
  • عبداله­پور آزاد، م. ر. و م. ت. ستاری. ۱۳۹۴. پیش­بینی ...
  • Chang F. J. and Y. C. Chen. ۲۰۰۱. Counter propagation ...
  • Chiu, S., ۱۹۹۴. Fuzzy model identification based on cluster estimation. ...
  • Haykin, S., ۱۹۹۹. Neural Networks: A Comprehensive Foundation, Prentice-Hall, Upper ...
  • Hsu K., H. V.Gupta and S. Sorooshian. ۱۹۹۵. Artificial neural ...
  • Imrie, C. E., S. Durucan and A. Korre. ۲۰۰۰. River ...
  • Jang J. S. R. ۱۹۹۳. ANFIS: adaptive-network-based fuzzy inference system ...
  • Karayiannis, N. B., and A. N.Venetsanopoulos. ۱۹۹۳.Artifical Neural Network: Learning ...
  • Kisi, O. ۲۰۰۴. River flow modelling using artificial neural networks. ...
  • Kisi O. ۲۰۰۷. Streamflow forecasting using different artificial neural network ...
  • Kisi O. ۲۰۰۸. River flow forecasting and estimation using different ...
  • Kisi, O. and H. Kerem Cigizoglu. ۲۰۰۷. Comparison of different ...
  • Lohani A. K., R. Kumar and R. D. Singh. ۲۰۱۲. ...
  • Maier H. R. and G. Dandy. ۲۰۰۰. Neural networks for ...
  • Nayak, P. C., K. P.Sudheer, D.M.Rangan and K.S. Ramasastri. ۲۰۰۴. ...
  • Sanikhani H. and O. Kisi. ۲۰۱۲. River flow estimation and ...
  • Sattari M. T., K. Yurekli, M. Pal. ۲۰۱۲. Performance evaluation ...
  • Tamea, S., F. Laio and L. Ridolfi. ۲۰۰۵. Probabilistic nonlinear ...
  • Vernieuwe H., O. Georgieva, B. De Baets, V. Pauwels, N. ...
  • Wang, W. C., K. W.Chau.C. T. Cheng and L. Qiu. ...
  • نمایش کامل مراجع