کاربرد مدل های هوش مصنوعی و سری زمانی در تخمین رواناب (مطالعه موردی: قسمتی از حوضه آبریز رودخانه هلیل)
Publish place: Water Resources Engineering Journal، Vol: 16، Issue: 58
Publish Year: 1402
نوع سند: مقاله ژورنالی
زبان: Persian
View: 52
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WEJMI-16-58_004
تاریخ نمایه سازی: 17 بهمن 1402
Abstract:
چکیدهمقدمه: پیشبینی دقیق رواناب و سیلاب برای جلوگیری از خسارتهای جانی و مالی یکی از چالش برانگیزترین کارها در مطالعات هیدرولوژیکی یک منطقه می باشد. از این رو، توسعه مدل های دقیق پیشبینی از قبیل روش های هوش مصنوعی مورد توجه بیشتر محققین قرار گرفته است.روش: در این تحقیق به بررسی کارآیی ۳ مدل ANN، GMDH و ARIMA جهت شبیه سازی سیلاب قسمتی از حوضه رودخانه هلیل رود در استان کرمان پرداخته شد. مدل ANN یک روش مدلسازی غیرخطی است که به مرور عملکرد خود را بهبود می بخشد. GMDH یک مدل هوش مصنوعی با ویژگی های قابلیت خودسازماندهی اکتشافی است که در انتهای آن سیستمی پیچیده با عملکرد مطلوب شکل می گیرد. کد نوشته شده ARIMA به ساخت مدلی برای توصیف ساختار داده ها و سپس پیشبینی سری زمانی می پردازد. دادههای ورودی به مدل های فوق شامل دبی، بارش، دما، باد و رطوبت ماهانه بودند و مقادیر رواناب شبیه سازی شده با مقادیر مشاهداتی مقایسه گردید.یافته ها: جهت ارزیابی دقت مدلها از شاخص های آماری RMSE، MSD و MAE استفاده شد و نتایج بدست آمده نشان داد مدل ((m۳/s)۰۴۲/۰RMSE=، ۲(m۳/s)۰۰۱/۰MSD= و (m۳/s)۰۲۷/۰MAE=) ANN توانست رواناب را با دقت بالاتری در مقایسه با مدل (۰۶۸/۰RMSE=، ۰۰۵/۰ MSD= و ۰۵۶/۰MAE=) GMDH و سری زمانی (۰۹۶/۰RMSE=، ۰۰۹/۰MSD= و ۰۶۳/۰MAE=) ARIMA در حوضه مورد مطالعه برآورد کند. میانگین خطا در تخمین رواناب با مدل ANN در مقایسه با مقادیر تخمین زده شده با مدل GMDH و ARIMA به ترتیب ۲۳/۳۸ و ۲۵/۵۶ درصد کاهش یافت.نتیجه گیری: باتوجه به نتایج بدست آمده در این مطالعه، مدل شبکه عصبی مصنوعی به سبب توانایی ساختاری مناسب جهت پیدا کردن رابطه غیرخطی بین داده های ورودی و خروجی، توانسته است کارایی بهتری نسبت به دو مدل دیگر از خود نشان دهند.
Keywords:
بارش- رواناب , خودهمبسته با میانگین متحرک یکپارچه (ARIMA) , شبکه عصبی مصنوعی (ANN) , کنترل گروهی داده ها (GMDH) , مدیریت منابع آب
Authors
الهه فرودی صفات
فارغ التحصیل مقطع کارشناسی ارشد رشته سازه های آبی، بخش علوم و مهندسی آب، دانشگاه شهید باهنر کرمان، کرمان، ایران
محمد مهدی احمدی
دانشیار بخش علوم و مهندسی آب دانشگاه شهید باهنر کرمان، کرمان، ایران
کورش قادری
دانشیار بخش علوم و مهندسی آب دانشگاه شهید باهنر کرمان، کرمان، ایران
سودابه گلستانی کرمانی
استادیار بخش علوم و مهندسی آب دانشگاه شهید باهنر کرمان، کرمان، 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 :