پیشبینی جریان ورودی ماهانه به سد سبلان با روش های شبکه عصبی مصنوعی و مدل درختی M5 برای یک سال آبی
Publish place: اولین کنفرانس بین المللی آب، محیط زیست و توسعه پایدار
Publish Year: 1395
Type: Conference paper
Language: Persian
View: 602
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
ICWESD01_045
Index date: 9 June 2017
پیشبینی جریان ورودی ماهانه به سد سبلان با روش های شبکه عصبی مصنوعی و مدل درختی M5 برای یک سال آبی abstract
امروزه سیستم های هوشمند و روش های داده کاوی با توجه به توانایی در حل پدیده های غیرخطی و پیچیده کاربردهای فراوانی در مسایل مختلف مهندسی آب ازجمله هیدرولوژی پیداکرده اند. در این تحقیق با توجه به اهمیت مدیریت مخزن برای سال آبی آتی، اقدام به ارزیابی دقت مدل درختی M5 و شبکه عصبی مصنوعی پرسپترون چندلایه در پیش بینی جریان ماهانه ورودی به مخزن سد سبلان اردبیل برای یک سال آبی آتی شده است. بر این اساس، دبی ورودی به مخزن سد برای یک سال آبی آتی به عنوان مقادیر هدف و خروجی مدل و سایر پارامترهای جریان، تبخیر،بارش و دما به عنوان ورودی مدل منظور شد. بررسی نتایج نشان داد هر دو این روش ها کارایی و عملکرد خوبی در پیش بینی جریان ورودی به مخزن سد از خود نشان میدهند. از طرف دیگر به نظر میرسد با توجه به سادگی کاربرد و ارایه روابط ساده و قابل فهم توسط مدل درختی M5 این روش برای استفاده در مسایل مدیریتی کاربردی تر باشد.
پیشبینی جریان ورودی ماهانه به سد سبلان با روش های شبکه عصبی مصنوعی و مدل درختی M5 برای یک سال آبی Keywords:
پیشبینی جریان ورودی ماهانه به سد سبلان با روش های شبکه عصبی مصنوعی و مدل درختی M5 برای یک سال آبی authors
شهرام شاه محمدی کلالق
استادیار دانشگاه آزاد اسلامی واحد تبریز
محمد تقی ستاری
استادیار گروه مهندسی آب دانشگاه تبریز
ایرج رسولی
کارشناس ارشد عمران آب سازمان جهاد کشاورزی استان اردبیل
بابک خیاط رستمی
کارشناس ارشد عمران آب شرکت آب منطقه ای استان اردبیل
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 :