ارزیابی مقایسهای مدلهای آرما، آریما و مدل خودهمبسته شبکه عصبی مصنوعی در پیشبینی جریان ورودی به مخزن سد دز
Publish place: The First International Conference on Water Crisis
Publish Year: 1387
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 32,101
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICWC01_146
تاریخ نمایه سازی: 27 آذر 1387
Abstract:
در مقاله حاضر قابلیت مدل های میانگین متحرک خود همبسته ( آرما )، میانگین متحرک جامع خود همبسته ( آریما ) و مدل خودهمبسته شبکه عصبی مصنوعی در پیشبینی جریان ورودی به مخزن سد دز واقع در ایستگاه تله زنگ در بالادست سد دز مورد ارزیابی قرار می گیرد. پیشبینی جریان ورودی به مخزن با روش های آرما و آریما، در تحقیقات قبل تعداد پارامترهای مورد استفاده حداکثر 2 پارامتر بوده است. از طرف دیگر استفاده از دو مدل آرما و آریما به طور همزمان، به منظور مقایسه آنها در پیش بینی خودهمبسته جریان ماهانه ورودی به مخزن سد در تحقیقات قبلی انجام نگردیده است. مقایسه مدل های استاتیک و دینامیک در شبکه های عصبی مصنوعی نیز صورت نگرفته است. در این تحقیق دبی های ماهانه بین سال های 1334 تا 1380 استفاده شده است. آمار مربوط به 42 سال اول برای آموزش مدلها و 5 سال اخیر برای پیشبینی مدلها استفاده گردید. در مدلهای آرما و آریما به ترتیب با تلفیق 4 و 6 پارامتر، چند جمله ای مورد نظر برای پیش بینی جریان بدست آمد. در مدل خود همبسته شبکه عصبی مصنوعی از دو تابع فعالیت شعاعی و سیگموئیدی با تعداد نرون های مختلف در لایه میانی استفاده شد. با مقایسه شاخص RMSE مدل خودهمبسته شبکه عصبی مصنوعی دینامیک با تابع فعالیت سیگموئید و تعداد 17 نرون در لایه میانی بعنوان بهترین مدل در پیشبینی جریان ورودی به مخزن سد دز انتخاب شد. مدل آریما نسبت به آرما با خطای کمتر، جریان ورودی به مخزن سد دز را از 12 ماه قبل و مدل های خود همبسته شبکه عصبی مصنوعی استاتیک و دینامیک با تابع فعالیت سیگموئیدی جریان ورودی به مخزن سد دز را از 5 سال قبل پیش بینی می نمایند.
Authors
محمد ابراهیم بنی حبیب
استادیار گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران
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 :