پیش بینی پیش روی دلتای رسوبی در مخزن سد با استفاده از مدل رگرسیون بردار پشتیبان و مدل ادغام شده آن با الگوریتم بهینه سازی ازدحام ذرات

بر اساس مطالعات نرخ تلفات سالیانه ظرفیت ذخیرهسازی در جهان به دلیل نشینی ته رسوبات تقریبا بین %۵/۰ تا %۱ حجم اولیه مخزن است . روشهای مختلفی برای پیش بینی رسوبگذاری و پیش روی دلتا درون مخزن در دسترس است ؛ اما هر یک از این روشها، محدودیت های خاص خود را دارند. تحقیق پیش رو به دنبال ارزیابی توانایی یادگیری مدل رگرسیون بردار پشتیبان SVR)۱) و مدل ادغامشده آن با الگوریتم بهینه سازی ازدحام ذرات PSO) ۲) با استفاده از مجموعه دادههای آزمایشگاهی در پیش بینی روند پیشرفت دلتا در مخزن سد و بررسی نقاط قوت و ضعف آنها است . هدف استفاده از نتایج مدل آزمایشگاهی ارزیابی عملکرد و توانایی مدل SVR با کمک دادههایی است که از نظر روش جمع آوری و خطاهای احتمالی شرایطی مشابه شرایط طبیعی و واقعی دارند. بر اساس نتایج ، همه مدلهای مورد استفاده به طور کلی توانمندی خوبی در این پیش بینی داشتند اما مدل SVR-PSO توانایی و پتانسیل پیش بینی بیشتری نسبت به حالت عادی از خود نشان داد. استفاده از تکنیک های هوش مصنوعی باعث بهبود قابل ملاحظه ای در دقت پیش بینی پیش روی دلتا می شود. این تحقیق بر مفهوم توانمندی هوش مصنوعی در بهبود پیش بینی و مدیریت پدیدههای رسوبگذاری در مخازن سد تاکید می نماید.

پیش بینی پیش روی دلتای رسوبی در مخزن سد با استفاده از مدل رگرسیون بردار پشتیبان و مدل ادغام شده آن با الگوریتم بهینه سازی ازدحام ذرات Keywords:

رسوبگذاری , پیش روی دلتا , هوش مصنوعی , رگرسیون بردار پشتیبان , الگوریتم بهینه سازی ازدحام ذرات