بررسی عملکرد و کارایی روش های برنامه ریزی بیان ژن و ماشین بردار پشتیبان در برآورد بار معلق رسوبی در ایستگاه هیدرومتری یک رودخانه طبیعی

Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 473

This Paper With 14 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:

ICSAU03_0118

تاریخ نمایه سازی: 12 تیر 1395

Abstract:

پیش بینی بار معلق رسوبی به دلیل اثرات آن روی شاخص های کیفی آب، تقلیل گنجایش مخازن و تغییر در مورفولوژی رودخانه ها از اهمیت ویژه ای برخوردار است. لذا ارائه ی راهکارهای نوین جهت برآورد دقیق بار جامد یک رودخانه نقش مهمی در پیشبرد صحیح مطالعات مهندسیرودخانه و مدیریت صحیح یک حوزه ی آبریز خواهد داشت. به دلیل تأثیر پارامترهای مختلف بر انتقال رسوبات در رودخانه تعیین معادلات حاکمبر آن مشکل بوده و مدلهای کلاسیک ریاضی نیز در این راستا از دقت کافی برخوردار نیستند. در این تحقیق در ابتدا از روش برنامه ریزی بیان ژن 1 به عنوان یک روش تکاملی برای تخمین بار معلق رسوبی در یک ایستگاه هیدرومتری از رودخانه هوستونیک واقع در ماساچوست 3 امریکااستفاده شده است. سپس مدلهای بهینه یGEP شناسایی شده و توسط ماشین بردار پشتیبان مورد پیش بینی قرار گرفته و نتایج پیش بینی رسوب توسط این دو روش مورد مقایسه قرار گرفته اند. بدین منظور از داده های هیدرولیکی رودخانه و بار جامد معلق اندازه گیری شده که از مراجع معتبر اخذ گردیده، برای تشکیل مدلهای ورودی استفاده شده است. مدلهای ورودی، مدلهای متعددی متشکل از دبی جریان و رسوب روزهای قبل می باشد که با استفاده از برنامه ریزی بیان ژن مدل برتر و ورودی های برتر شناسایی شده و فرمول صریح برای آنها ارائه شده است. نتایج پیش بینی توسطGEPنشان داد که مدلهایی که ورودی های آنها ترکیبی از دبی رسوب و دبی جریان هستند؛ نتایج بهتری نسبت به مدلهایی که فقط تابع دبی رسوب هستند، دارند. همچنین مدلهایی که فقط تابع دبی رسوب می باشند نتایج مطلوبتری نسبت به مدلهایی با ورودی های دبی جریان به دست می دهند. در نهایت مقایسه ی نتایج این دو روش نشان داد کهSVMعملکرد بهتری نسبت بهGEP در پیش بینی بار معلق رسوبی دارد

Authors

شبنم حسین زاده

کارشناس ارشد مهندسی عمران-سازه های هیدرولیکی، دانشگاه تبریز

کیومرث روشنگر

دانشیار دانشکده مهندسی عمران، دانشگاه تبریز،

علی کوشه

دانشجوی دکتری مهندسی عمران – مهندسی و مدیریت منابع 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 :
  • همورث، محمد، حسن احمدی، نفیسه تقوی و حسین محمد عسکری. ...
  • فربودنام، نیما.، قربانی، محمدعلی.، اعلمی، محمد تقی. پیش بینی جریان ...
  • داننده مهر، علی.، علیایی، احسان.، قربانی، محمدعلی. پیش بینی بار ...
  • Roushangar, K., Mehrabani, F. V., & Alami, . M. Forecasting ...
  • Aytek, A., & Kisi, 6. A genetic programming approach to ...
  • Roushangar, K., & Koosheh, A. Evaluation of GA-SVR method for ...
  • Khu, S. T., Liong, S. Y., Babovic, V., Madsen, H., ...
  • Whigham, P. A, & Crapper, P. F. Modelling rainfall-runof using ...
  • Kizhisseri, A. S., Simmonds, D., Rafiq, Y., & Borthwick, M. ...
  • Lopes, H. S., & Weinert, W. R. EGIPSYS: An enhanced ...
  • Sivapragasam, C., Vincent, P., & Vasudevan, G. Genetic programming model ...
  • Sivapragasam, C., Liong, S., & Pasha, M. Rainfall and runoff ...
  • Noori, R., Karbassi, A. R., Mo ghaddamnia, A, Han, D., ...
  • Cimen, M. Estimation of daily suspended sediments using support vector ...
  • Chiang, J. L., & Tsai, Y. S. Suspended sediment load ...
  • Ferreira, C. Gene expression programming :A new adaptive algorithm for ...
  • Vapnik V N. The Nature of Statistical Learning Theory. Springer, ...
  • نمایش کامل مراجع