توسعه مدل های تلفیقی یادگیری ماشین مبتنی بر روش تجزیه مد تجربی گروهی کامل در برآورد جریان ورودی به سد (مطالعه موردی سد دز)
Publish place: Irrigation and Drainage، Vol: 17، Issue: 4
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 51
This Paper With 17 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_IDJ-17-4_007
تاریخ نمایه سازی: 30 دی 1402
Abstract:
برآورد جریان ورودی به مخزن سدها در برنامه ریزی و مدیریت بهینه منابع آب، تامین آب مورد نیاز بخش های مختلف و مدیریت سیلاب از اهمیت ویژه ای برخوردار است. بنابراین در پژوهش حاضر سعی گردید تا عملکرد مدل های یادگیری ماشین جنگل های تصادفی (RF) و رگرسیون فرآیند گاوسی (GPR) با استفاده از روش پیش پردازش داده های تجزیه مد تجربی گروهی کامل (CEEMD) در برآورد جریان ماهانه ورودی به سد دز در دوره آماری ۵۱-۱۳۵۰ تا ۹۷-۱۳۹۶ مورد بررسی قرار گیرد. بدین منظور الگوهای ورودی در چهار سناریوی مختف شامل استفاده از داده های جریان با تاخیرهای زمانی، ترکیب داده های جریان و بارش با تاخیر های زمانی و اضافه کردن خاصیت تناوبی به دو حالت قبل آماده و به مدل های منفرد معرفی شدند. نتایج نشان داد که هر مدل با سناریوهای متفاوتی به حداکثر دقت خود دست می یابد و در این بین مدل GPR با شاخص RMSE برابر با (m۳/s) ۴۹/۹۷ بهترین عملکرد را داشت. پس از تعیین الگوهای برتر ورودی در هر سناریو، داده های مربوطه توسط روش CEEMD تجزیه و فرآیند مدل سازی با روش های RF و GPR انجام شد. بر اساس معیار های ارزیابی، کاهش خطا و افزایش دقت در مدل های تلفیقی توسعه داده شده به طور قابل ملاحظه ای مشهود بود. به طوریکه مدل CEEMD-GPR تواتست مقدار شاخص RMSE را به طور متوسط حدود ۴۷ مترمکعب بر ثانیه کاهش دهد. همین روند برای مدل CEEMD-RF نیز مشاهده شد. به طور کلی عملکرد CEEMD-GPR در مقایسه با کلیه مدل های توسعه داده شده (منفرد یا تلفیقی) مناسب تر بوده و برای پیش بینی جریان ورودی به سد دز توصیه می شود.
Keywords:
Authors
نوید موسی زاده
دانشگاه شهید چمران اهواز دانشکده مهندسی آب و محیط زیست
علی محمد آخوند علی
استاد گروه هیدرولوژی ومنابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز
فرشاد احمدی
استادیار دانشگاه شهید چمران اهواز
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 :