پیش بینی جریان روزانه رودخانه اهرچای با استفاده از مدل قوانین M۵ و مقایسه آن با شبکه های عصبی مصنوعی المانی (ENN)
Publish Year: 1395
نوع سند: مقاله ژورنالی
زبان: Persian
View: 58
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWMS-10-33_002
تاریخ نمایه سازی: 5 دی 1402
Abstract:
برآورد صحیح آبدهی رودخانه ها یکی از موارد مهم در پیش بینی خشکسالی، سیلاب، طراحی سازه های آبی، بهره برداری از مخازن سدها و کنترل رسوب می باشد. از این رو متخصصان علوم مهندسی آب جهت برآورد دقیق جریان، از روش های هوشمند مانند شبکه های عصبی مصنوعی و روش های مختلف داده کاوی بهره گرفته اند. در این مطالعه، جهت پیشبینی جریان روزانه رودخانه اهرچای، از روشهای شبکه عصبی مصنوعی المانی (ENN) و قوانین درختی M۵ بهره گرفته شد. بدین منظور از دادههای جریان روزانه ایستگاه هیدرومتری اورنگ واقع بر رودخانه اهرچای در استان آذربایجانشرقی برای مدل سازی استفاده شد. نتایج حاصل از پیش بینی جریان در یک روز بعد نشان داد که گرچه روش ENN در بهترین سناریو با ساختار شبکه نسبتا پیچیده ۱-۳-۹ که بیان گر ۹ گره در لایه ورودی، ۳ گره در لایه پنهان و یک گره در لایه خروجی با ۹۰/۰R۲=، (m۳/s)۰۲۸/۰RMSE= و (m۳/s)۰۰۱/۰MAE= از دقت بیش تری برخوردار است. اما روش قوانین M۵ تنها با دو پارامتر جریان در روز جاری و یک روز قبل به عنوان ورودی، با ۸۳/۰ R۲=، (m۳/s)۷۳۴/۰RMSE= و (m۳/s)۳۱۷/۰ MAE= علاوه بر سادگی، از دقت قابل قبولی نیز برخوردار بوده است. مقایسه عملکرد دو مدل نشان داد، گرچه شبکه عصبی المانی دارای دقت بالاتری نسبت به روش M۵ می باشد، ولی روش M۵ با توجه به ارائه قوانین کارآمد و ساده اگر-آنگاه و روابط خطی ساده برای پیشبینی جریان و نیز تعداد پارامتر ورودی موردنیاز کم تر، می تواند بعنوان یک روش جایگزین مناسب بکار گرفته شود.
Keywords:
Authors
محمدرضا عبداله پورآزاد
Islamic Azad University of Ahar
محمدتقی ستاری
University of Tabriz
رسول میرعباسی نجف آبادی
Shahrekord University
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 :