شبیه سازی سطح آب زیرزمینی دشت سلسله استان لرستان با استفاده از الگوریتم های فراکاوشی نوین

Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 119

This Paper With 18 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_HYD-8-28_008

تاریخ نمایه سازی: 19 دی 1401

Abstract:

در سال­ های اخیر افت منابع آب زیرزمینی به­ عنوان مهم ترین چالش در مسائل مدیریت منابع آب مطرح است. اولین گام در جهت مدیریت آب زیرزمینی، شبیه سازی سطح آب زیرزمینی و شناسایی عوامل موثر بر سطح آب زیرزمینی است. از این رو در این پژوهش جهت شبیه سازی سطح آب زیرزمینی دشت سلسله واقع در استان لرستان از مدل ترکیبی رگرسیون بردار پشتیبان (SVR) با موجک و الگوریتم های فرا ابتکاری گرگ خاکستری (GWO) و خفاش (BA) در مقیاس زمانی ماهانه طی دوره­ ی آماری ۲۰۲۰-۲۰۱۰ استفاده شد. معیارهای ضریب همبستگی (R۲)، مجذور میانگین مربعات خطا (RMSE) ، میانگین مطلق خطا (MAE)، ضریب بهره وری نش-ساتکلیف (NSE)، درصد بایاس (PBIAS) برای ارزیابی و مقایسه ­ی عملکرد مدل ها مورد استفاده قرار گرفت. نتایج نشان داد هر سه مدل هیبریدی، در الگوهای ترکیبی نتایج بهتری نسبت به سایر الگوهای تعیین شده دارند. همچنین، با توجه به معیارهای ارزیابی مشخص شد که از بین مدل های به کاررفته در شبیه­ سازی سطح آب زیرزمینی، مدل رگرسیون بردار پشتیبان-موجک با ضریب تعیین (۹۸۸/۰-۹۷۵/۰R۲=)، ریشه­ ی میانگین مربعات خطا (۱۴۶/۰-۱۱۲/۰RMSE=)، میانگین قدرمطلق خطا (m۰۹۳/۰-۰۷۶/۰MAE=) ضریب نش ساتکلیف (۹۷۸/۰-۹۶۳/۰NS=) و درصد بایاس (۰۰۱/۰PBIAS=) در مرحله ­ی صحت­ سنجی عملکرد بهتری نسبت به سایر مدل ­ها از خود نشان داده است.

Authors

حمیدرضا باباعلی

استادیار گروه مهندسی عمران، دانشگاه آزاد اسلامی واحد خرم آباد

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 :
  • Adamowski, J., Chan, H. (۲۰۱۱). A wavelet neural network conjunction ...
  • Amuda, A., Brest, J., Mezura-Montes, E. (۲۰۱۳). Structured Population Size ...
  • Ashmaul Husna, N.E., Hefzul bari, S., Shouroy, H., Rahman, T. ...
  • Bahmani, R., Taha, B.M., Ouarda, J. (۲۰۲۱) Groundwater level modeling ...
  • Basak, D., Pal, S., and Patranabis, D.C. (۲۰۰۷). Support vector ...
  • Chen, S.T., and Yu, P.S. (۲۰۰۷). Real-time probabilistic forecasting of ...
  • Daneshvar Vosoghi, F., Monafian Azar, V. (۲۰۱۷). Using Hybrid Wavelet-Support ...
  • Dehghani, R., Torabi, H. (۲۰۲۱). Application of novel hybrid artificial ...
  • Hamel, L. (۲۰۰۹). Knowledge discovery with support vector Machines, hoboken, ...
  • Jalali, M., Kamangar, M., Razmi, R. (۲۰۱۸). Prediction of the ...
  • Khosravi, K., Pham, B.T., Chapi, K., Shirzadi, A., Shahabi, H., ...
  • Kisi, O., Dailr, A.H., Cimen, M., Shiri, J. (۲۰۱۲). Suspended ...
  • Li, H., Lu, Y., Zheng, C., Yang, M., Li, S. ...
  • Melesse, A.M., Ahmad, S., McClain, M.E., Wang, X., Lim, Y.H. ...
  • Milan, S.G., Roozbahani, A., Arya Azar, N., Javadi, S. (۲۰۲۱) ...
  • Ostu, N. (۱۹۷۹). A Threshold Selection Method from Gray-Level Histograms ...
  • Rajaee, T., Mirbagheri, S.A., Zounemat-Kermani, M., Nourani, V. (۲۰۰۹). Daily ...
  • Senthil Kumar, A.R., Sudheer, K.P., Jain, S.K., Agarwal, P.K. (۲۰۰۴). ...
  • Sreekanth, P.D., Geethanjali, N., Sreedevi, P.D., Shakeel, A., Ravi Kumar, ...
  • Thendiyath, R., Madan, K., Deo, R., Vandana, A. (۲۰۱۹). Development ...
  • Vapnik, V., and Chervonenkis, A. (۱۹۹۱). The necessary and sufficient ...
  • Vapnik, V.N. (۱۹۹۵). The Nature of Statistical Learning Theory. Springer, ...
  • Vapnik, V.N. (۱۹۹۸). Statistical learning theory. Wiley, New York ...
  • Wang, D., Safavi, A.A., and Romagnoli, J.A. (۲۰۰۰). Wavelet-based adaptive ...
  • Yoon, H., Jun, S.C., Hyun, Y., Bae, G.O., Lee, K.K. ...
  • نمایش کامل مراجع