مدل سازی هیدرولیکی منابع آب با استفاده از تکنیک های یادگیری
Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 133
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IJSWR-52-11_003
تاریخ نمایه سازی: 31 اردیبهشت 1402
Abstract:
تحلیل کمی و کیفی منابع آب امروزه به یکی از موضوعات مهم در تحقیقات منابع آب تبدیل شده است. در این تحقیق از دادهکاوی، تکنیکهای هوش مصنوعی و ریاضی برای شبیهسازی رفتار آب و تخمین تغییرات پارامتریک آن استفاده شده است. نام مدلهای بکار گرفته شده عبارتند از: مدل ماشین یادگیری نیرومند خودتطبیق SAELM، حداقل مربعات ماشین بردار پشتیبان LSSVM، مدل شبکههای عصبی نروفازی ANFIS و مدل آماری رگرسیون خطی چندگانه MLR که برای تخمین پارامترهای هیدروژئولوژیکی استفاده شده است. همچنین برای ارزیابی عملکرد مدلها، در قالب ۵ رویکرد دقت مدلها بررسی گردید. نتایج تحقیق نشان داد که براساس نمودارهای شبیهسازی و همبستگی مدل SAELM برترین مدل بود. براساس شاخصهای ارزیابی دقت، مدل SAELM با شاخصهای RMSE و MAPE و R به ترتیب برابر با ۱۵۴۵/۰، ۰۰۷۰/۰ و ۹۹۷۹/۰ دارای بالاترین دقت در تخمین پارامترهای هیدروژئولوژیکی بود. بر اساس تحلیل عدم قطعیت ویلسون (Wilson Score method) عملکرد مدل برتر (SAELM) دست پایین (Underestimated) برآورد گردید. همچنین براساس نمودارهای نسبت اختلاف خطا، دقیقترین نتایج مربوط به مدل SAELM بود. در پایان با استفاده از نمودارهای توزیع خطا کمترین میزان خطا به مدل SAELM اختصاص یافت.
Keywords:
ماشین یادگیری نیرومند خودتطبیق , ماشین یادگیری حداقل مربعات بردار پشتیبان , شبکه های عصبی نروفازی , رگرسیون خطی چندگانه , تحلیل عدم قطعیت
Authors
مجتبی پورسعید
سازمان برنامه و بودجه، معاونت فنی
امیرحسین پورسعید
دانشجوی دکترای تخصصی مهندسی برق قدرت، گروه مهندسی برق، دانشگاه لرستان، خرم آباد، ایران
سعید شعبانلو
دانشیار گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه،ایران
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 :