بررسی کارایی مدل های هوشمند در استخراج منحنی تداوم جریان مطالعه موردی: ایستگاه خزانگاه رودخانه ارس

Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 951

This Paper With 7 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

ICCE10_0481

تاریخ نمایه سازی: 19 تیر 1394

Abstract:

یکی از پارامترهای مهم در علم هیدرولوژی منحنی تداوم جریان یا دبی کلاسه در رودخانه است. بررسی منحنی تداوم جریان و تعیین دبی های شاخص مانند دبی نرمال، دبی میانه در برنامه ریزی های آب رودخانه جهت استفاده های شرب و یا احداث بندهای انحرافی برای کشاورزی حائز اهمیت است. استخراج منحنی تداوم جریان طی سال های آماری طولانی 02 سال یا بیشتر این امکان را فراهم میسازد که بتوان تحلیل آماری روی داده های رودخانه انجام داد و چنین منحنی هایی را برای دوره های بازگشت مختلف رسم نمود. بنابراین استخراج دقیق این منحنی ها با حداقل خطا حائز اهمیت فراوانی است. در این تحقیق به بررسی کارایی مدل های هوشمند شامل شبکه عصبی مصنوعی، ماشین بردار پشتیبان و مدل های رگرسیونی در استخراج منحنی تداوم جریان ایستگاه خزانگاه رودخانه ارس واقع در استان آذربایجان شرقی پرداخته شد. بررسی انواع مدل های کلاسیک رگرسیونی نشان داد که مدل رگرسیونی نمایی دارای بهترین عملکرد بود به طوری که با 3219 R2 و 513 RMSE= روز دارای حداقل مقدار خطا و بالاترین ضریب تبیین مقدار بود. در مدل شبکه عصبی مصنوعی نیزمقدار R2 و RMSE 2 مدل به ترتیب برابر 0/9473,349 روز می باشد به طوریکه دبی در محدودههای کم به خوبی برآورد شده است. بررسی عملکرد انواع کرنل های ماشین بردار پشتیبان نشان داد که کرنل RBF بهترین عملکرد را در شبیه سازی منحنی تداوم جریان داشت، به طوری که با 339 R2 و 93 RMSE= روز دارای حداقل مقدار خطا و بالاترین ضریب تبیین مقدار بود. مقایسه نتایج بین انواع روشها براساس دو آماره R2 و RMSE نشان داد، در این ایستگاه مدل ماشین بردار پشتیبان بهترین نتیجه را نشان داد

Authors

قربان مهتابی

استادیار گروه مهندسی آب، دانشگاه زنجان

رویا بیگدلی نعلبندان

دانشجوی کارشناسی ارشد منابع آب گروه مهندسی آب، دانشگاه تبریز

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 :
  • اسلامیان، س.س.، قاسمی، م. و سلطانی گردفرامرزی، س. (1391)، "محاسبه ...
  • نهاج، م.ب. (1381)، "مبانی شبکه های عصبی، " مرکز نشر ...
  • Smakhtin, V.U. (2001), "Low-flow hydrology: a review", Journal of hydrology, ...
  • Reilly, C.F. and Kroll, C.N. (2003), "Estimation of 7-day, 10-year ...
  • Patel, J.A. (2007), "Evaluation of low flow estimation techniques for ...
  • Senkal, O. and Kuleli, T. (2009), "Estimation of solar radiation ...
  • Krishna, B. Satyaji Rao, Y. R. and Vijaya, T. 2008. ...
  • Areerachakul, S. and Siripun, S. (2010), "Classification and regression frees ...
  • Yu, P.S., Chen, S.T. and Chang, I.F. (2006), "Support vector ...
  • Yu, X. and Liong, S.Y. (2006). "Forecasting of hydrologic time ...
  • Vapnik, V.N. (1995). "The nature of statistical learning theory", Ist ...
  • نمایش کامل مراجع