ارزیابی توانایی مدل های هوشمند در برآورد تابش کل خورشیدی ماهانه
Publish place: The Journal of Water and Soil، Vol: 31، Issue: 2
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 218
This Paper With 14 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_WASO-31-2_003
تاریخ نمایه سازی: 24 دی 1401
Abstract:
در این پژوهش، مطالعهای مقایسهای بین مدلهای شبکه عصبی مصنوعی (ANN)، سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) و برنامهریزی بیان ژن (GEP) برای برآورد تابش خورشیدی ماهانه صورت گرفت. بدین منظور، از دادههای ۲۴ ساله ایستگاه همدیدی تبریز، شامل تابش کل خورشیدی (RS, MJ m−۲)، ساعات آفتابی و دمای هوا (°C) بهره گرفته شد. برای اجرای مدلهای هوش مصنوعی، ترکیب جدیدی از ورودیها، شامل متوسط ماهانه شاخص صاف بودن آسمان (KT)، متوسط ماهانه تفاضل دمای بیشینه از دمای کمینه (ΔT)، ساعات آفتابی نسبی ( ) و متوسط ماهانه تابش فرازمینی روزانه (Ra)، به کار گرفته شد. با توجه به اینکه کمترین مقادیر آمارههای MBE و RMSE (به ترتیب برابر با ۱۳/۰ و ۹۷/۱ مگاژول بر متر مربع) و بیشترین مقدار R۲ (۹۲/۰)، با استفاده از نتایج مدل شبکه عصبی مصنوعی بهدست آمد، لذا ANN به عنوان بهترین مدل برای برآورد تابش کل آفتابی ماهانه انتخاب شد. همچنین استفاده از نمودارهای چارک- چارک، نشان داد که هرچند، شبکه عصبی مصنوعی، بهترین برازش را برای دادههای تابش کل خورشیدی ماهانه ارائه میکند، اما توانایی این مدل در برآورد مقادیر بالای تابش کل خورشیدی ماهانه کاهش مییابد. لذا استفاده از این مدل برای مناطق با میزان تابش دریافتی کمتر توصیه میشود. عملکرد مدل ANFIS در تحت پوشش قرار دادن مقادیر بالا و پائین (چارکهای چهارم و اول) از سایر مدلها بهتر بود. بنابراین مزیت مدل ANFIS را در برآورد دقیقتر مقادیر بزرگتر تابش خورشیدی است و از این مدل برای برآورد تابش خورشیدی در مناطق با میزان بالای دریافتی تابش خورشیدی میتوان بهره برد. علاوه بر این، بر خلاف نتایج پژوهشهای پیشین که عملکرد مدل GEP برای برآورد تابش آفتابی روزانه را رضایت بخش ارزیابی نکرده بودند، نتایج پژوهش حاضر نشان داد که استفاده از مدل GEP برای برآورد تابش آفتابی کل ماهانه، به ویژه در محدوده ۲۵۰ تا ۸۰۰ مگاژول بر متر مربع رضایت بخش است. بنابراین میتوان چنین نتیجه گرفت که توانایی مدل GEP در مدلسازی پدیدههایی با نوسانات کمتر و محدوده کوچکتر بیشتر است.
Keywords:
برنامه ریزی بیان ژن , تابش کل آفتابی ماهانه , سیستم استنتاج فازی - عصبی تطبیقی , شبکه عصبی مصنوعی , تبریز
Authors
سید صابر شریفی
دانشجوی دکتری آبیاری و زهکشی، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه
وحید رضاوردی نژاد
دانشیار گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه
وحید نورانی
استاد گروه آب، دانشکده عمران ، دانشگاه تبریز
جواد بهمنش
استاد گروه مهندسی آب، دانشکده کشاورزی، دانشگاه ارومیه
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 :