شبیه سازی تراز آب زیرزمینی با استفاده از مدل های بردار پشتیبان و مقایسه آن با مدل های عصبی فازی و موجک عصبی (مطالعه موردی دشت شیراز)

Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,041

This Paper With 13 Page And PDF and WORD Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

CEWE01_070

تاریخ نمایه سازی: 14 آذر 1394

Abstract:

استفاده ی بی رویه بشر از آب های زیر زمینی برای مصارف مختلف سبب شده است که حجم این منابع روز به روز کاهش یابد. در این پژوهش از داده های سطح آب زیر زمینی و بارش دشت شیراز برای مدل سازی سطح آب زیر زمینی استفاده شده است. در این مقاله به مبانی علمی هر سه روش به کار رفته در پژوهش اعم از SVM، ANFIS، موجک عصبی ، انواع تکنیک ها و شیوه های پیاده سازی آنها پرداخته شد. همچنین به پیاده سازی الگوریتم ها با استفاده از نرم افزارهای موجود که در اینجا جعبه ابزار های نرم افزار MATLAB انتخاب شده است، و بیان نمودار ها و مدل های حاصل پرداخته شد. در نهایت با استفاده از داده های دو گام زمانی ماهیانه داده های 19/5 ساله بارش و سطح تراز آب از ابتدای سال 72 تا شش ماهه دوم 92 به پیش بینی ماهیانه تراز آب شیراز پرداخته شد که در بهترین حالات به تر تیب ضریب رگرسیون 0/993 ، 0/986 و 0/767 برای مدل موجک عصبی، ANFIS و ماشین بردار پشتیبان حاصل شد. همچنین در مورد مجموع مربعات خطا به ترتیب به 0/0003 و 0/0019 و 0/0058 برای مدل موجک عصبی، ANFIS و ماشین بردار پشتیبان حاصل شد که دقت بسیار بالایی است. مدل موجک عصبی از سایر تکنیک ها موفق تر و مدل SVM در بین مدل ها ضعیف تر از سایرین عمل کردند.

Authors

آرش بروجردی

دانشجوی کارشناسی ارشد سازه های هیدرولیکی، واحدلارستان، دانشگاه آزاد اسلامی لارستان، ایران

مهرداد فریدونی

استادیار گروه عمران، واحدلارستان، دانشگاه آزاد اسلامی لارستان، 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 :