ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
Publisher of Iranian Journals and Conference Proceedings
Login |Register |Help |عضویت کتابخانه ها
Paper
Title

ارزیابی قابلیت مدل های سیستم استنتاج فازی-عصبی تطبیقی، شبکه عصبی مصنوعی و رگرسیونی در تحلیل منطقه ای سیلاب

Year: 1396
COI: JR_JWSC-24-3_009
Language: PersianView: 149
This Paper With 18 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 18 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

حسن اسمعیلی گیساوندانی - دانشجوی کارشناسی ارشد دانشکده علوم و مهندسی آب دانشگاه شهید چمران اهواز
علی محمد آخوندعلی - استاد تمام دانشکده علوم و مهندسی آب دانشگاه شهید چمران اهواز
حیدر زارعی - استادیار دانشکده علوم و مهنسی آب دانشگاه شهید چمران اهواز
مهرداد تقیان - استادیار دانشکده کشاورزی و منابع طبیعی رامین

Abstract:

سابقه و هدف: توسعه روش های برآورد فراوانی منطقه ای سیلاب در مناطق فاقد ایستگاه های اندازه گیری یکی از اولین اهداف اصلی در مسایل روز هیدرولوژی می باشد. ارزیابی فراوانی سیلاب در حوضه های فاقد ایستگاه های اندازه گیری، معمولا توسط ایجاد روابط مناسب آماری (مدل ها)بین سیلاب و ویژگی های فیزیکی حوضه انجام می گیرد. تاکنون معادلات متعددی در زمینه برآورد دبی سیلاب در مناطق مختلف از جمله حوضه کرخه ارایه شده ولی با توجه به پیچیدگی این پدیده، روابط موجود نتوانسته اند دبی سیلاب طراحی را با دقت مناسب شبیه سازی کنند. بر همین اساس در این پژوهش علاوه بر روش رگرسیونی که در گذشته استفاده می شد از مدل شبکه های عصبی مصنوعی (ANN) و همچنین سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) استفاده شده است این مدل ها در واقع از نوع مدل های جعبه سیاه هستند که بدون آگاهی یا با آگاهی کم از فرآیند درونی سیستم، ورودی ها را به خروجی ها (یاخروجی) تبدیل می نماید. این وضعیت در واقع مشابهت این مدل ها را با روابط رگرسیونی می رساند، با این تفاوت که قابلیت انعطاف آنها در تنظیم وزن ها بیشتر بوده و لذا به عنوان جایگزین برای رگرسیون های چند متغیره استفاده می شود. مواد و روش ها: منطقه مورد پژوهش، در نواحی غرب ایران قرار دارد که شامل 33 ایستگاه هیدرومتری همگن می باشد. از ایستگاه های همگن موجود،27 ایستگاه برای واسنجی(ایجاد مدل) و 6 ایستگاه برای صحت سنجی مدل های ایجاد شده، مورد استفاده قرار گرفتند، برای حصول به مدل واحد، دوره بازگشت به عنوان عامل مستقل در مدل در نظر گرفته شد. یافته ها: برای دست یابی به بهترین ساختار شبکه عصبی مصنوعی و همچنین شبیه سازی در سیستم ANFIS از ترکیبات مختلف فیزیوگرافی به همراه دوره بازگشت به عنوان ورودی استفاده شد. برای بدست آوردن مهمترین عوامل ورودی در مدل ها از تحلیل حساسیت در محیط نرم افزار SPSS استفاده شد، و بدین ترتیب مهمترین متغییر های مستقل برابر شد با: دوره بازگشت، مساحت، ارتفاع، طول آبراهه اصلی وشیب، در مدل ANN ساختارهای مختلف این ورودی ها با یکدیگر مقایسه شدند با این توضیح که برای بهینه سازی وزن های اتصال در بین لایه های مختلفANN از الگوریتم ژنتیک استفاده شده است. بدین ترتیب بهترین شبکه، پیش خور با ساختار 1-10- 5 با ضریب تعیین 0.95 انتخاب شد. و همچنین در سیستم ANFIS، با افزایش تعداد ورودی ها در هر چهار تابع عضویت مثلثی، گوسی نوع 1، گوسی نوع 2 و ذوزنقه ای دقت شببیه سازی افزایش یافته به طوری که بهترین شبیه سازی در تابع مثلثی با RMSE=0.1514 و R^2=0.97که در آن تعداد قوانین 243 می باشد. در پایان با مقایسه مدلANFIS ، ANN و مدل رگرسیونی مشخص شد که مدل ANFIS در مقایسه با شبکه عصبی منتخب و مدل رگرسیونی به خصوص در دوره بازگشتهای زیاد از دقت بالاتری برخوردار است. نتیجه گیری:مدل رگرسیونی در زیر حوضه هایی که دبی سیلاب آن ها در دوره بازگشت های مختلف حدودا کمتر از m3/s1000 باشد، ازمطابقت خوبی با دبی سیلاب واقعی برخوردار است همچنین مدل شبکه عصبی نیز در دبی های کم دقت خوبی دارند ولی از آنجا که مدل رگرسیونی قادرند پیش بینی های خود را در قالب فرمول ارایه کنند، نسبت به مدلهای ANN و ANFIS که اطلاعاتی در مورد روابط بین پارامترهای مسئله ارایه نمی دهند برای مهندسین راحتر می باشد ولی در مجموع از نظر دقت پیش بینی سیستم استنتاج فازی-عصبی تطبیقی(ANFIS) در تمام دوره بازگشت ها، دبی سیلابشان از مطابقت بسیار بالایی با دبی سیلاب واقعی برخوردار بوده و می توان به عنوان بهترین ابزار برای پیش بینی دبی سیلاب در دوره بازگشت های مختلف در حوضه آبریز کرخه معرفی کرد.

Keywords:

تحلیل منطقه ای سیلاب , دبی سیلاب , ANFIS , ANN , مدل رگرسیون

Paper COI Code

This Paper COI Code is JR_JWSC-24-3_009. Also You can use the following address to link to this article. This link is permanent and is used as an article registration confirmation in the Civilica reference:

https://civilica.com/doc/953811/

How to Cite to This Paper:

If you want to refer to this Paper in your research work, you can simply use the following phrase in the resources section:
اسمعیلی گیساوندانی، حسن و آخوندعلی، علی محمد و زارعی، حیدر و تقیان، مهرداد،1396،ارزیابی قابلیت مدل های سیستم استنتاج فازی-عصبی تطبیقی، شبکه عصبی مصنوعی و رگرسیونی در تحلیل منطقه ای سیلاب،https://civilica.com/doc/953811

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 :

  • Alizadeh, A. 2013. Applied hydrology. Ferdowsi University Press, 942p. (In ...
  • Alborzi, M. 2002. Introduction to Artificial Neural Networks. Amirkabir University ...
  • Technology. press, 137p. (InPersian) ...
  • Aziz, K., Rahman, A., Fang, G., and Shrestha, S. 2014. ...
  • networks in regional flood frequency analysis: a case study for ...
  • Boughton, W.C. 1984. Flood frequency characteristics of some Arizona watersheds. ...
  • Water resources Bulletin. 20: 5. 761-769. ...
  • Chavoshi, S., and Eslamian, S. 1999. Regional flood frequency analysis ...
  • watershed using the Hybrid method. J. Sci. Technol. Agric. Natur. ...
  • Chiari, F. 2000. Predidtion of the Hydrologic Behavior of watershed ...
  • network and Geographic information system. IEEE. 1: 1. 382-386. ...
  • Dawson, C.W., Abrahart, R.J., Shamseldin, A.Y., and Wilby, R.L. 2006. ...
  • ungauged sites using artificial neural networks. J. Hydrol. 319: 4. ...
  • Dayhoff, J.E. 1990. Neural Network Principles. Prentice-Hall International, U.S.A., 197p. ...
  • Dibike,Y.B., and Solomatine, D.P. 2001. River flow forecasting using artificial ...
  • networks. Physics and Chemistry of the Earth. 26: 1. 1-7. ...
  • Dimitri, P., Solomatine., T., and Yunpeng Xue. 2004. M5 Model ...
  • Networks: Application to Flood Forecasting in the Upper Reach of ...
  • J. Hydrol. Engin. 9: 6. 491-591. ...
  • Fausett, L. 1994. Fundamentals of Neural Networks Architectures Algorithms and ...
  • Applications. Prentice-Hall Inc, New Jersey, 476p. ...
  • Heinz, D.F., and Stedinger, J.R. 1998. Using regional regression within ...
  • procedures and an empirical Bayesian estimator. J. Hydrol. 210: 4. ...
  • Kurtulus, B., and Razack, M. 2010. Modeling daily discharge responses ...
  • aquifer using soft computing methods: artificial neural network and neurofuzzy. ...
  • Nassajian Zavareh, M.H., Vafakhah, M., and Telvari, A.R. 2011. Regional ...
  • Analysis in the Part of Large Central Watershed of Iran. ...
  • and Engineering. 16: 2. 49-52. (In Persian) ...
  • Nourani, V., and Komasi, M. 2013. A geomorphology-based ANFIS model ...
  • modeling of rainfall-runoff process. J. Hydrol. 402: 3. 41-55. ...
  • Rasoulzadeh, A., Azartaj, E., and Farzi, P. 2014. Derivation and ...
  • flood analysis models as a function of return period (Case ...
  • Soil Cons. 22: 4. 261-268. (In Persian) ...
  • Riad, S., and Mania, J. 2004. Rainfall Runoff Model Using ...
  • Approach,Mathematical and Computer Modeling, Delft, Netherlands, 147p. ...
  • Ross, T.J. 1995. Fuzzy logic with engineering application. McGraw Hill ...
  • Sadheer, K.P., Gosain, A.K., and Ramassastri, K.S. 2002. A data ...
  • artificial neural network rainfall-runoff models. J. Hydrol. 128: 16. 1325-1330. ...
  • Servati, M., and Ghanbari, A. 2007. Flood estimation for Larestan ...
  • Research Quarterly of Geographical Data. Pp: 5-74. (In Persian) ...
  • Shafi, M., and Serzad, M. 2006. Regional Flood Analysis using ...
  • second Water Resources Management Conference. ...
  • Shadmani, M., Marofi, S., Mohammadi, K., and Sabziparvar, A.A. 2011. ...
  • discharge modeling in Hamedan province using Artificial Neural Network. J. ...
  • Subramanya, K. Engineering hydrology. 2003. Mc Graw-Hill international edition, ...
  • Solaimani, K., and Yoosofi, A. Investigation of the role of ...
  • investantaneous peak discharges in gorgan river sub basins for the ...
  • J. Water Soil Cons. 22: 1. 164-171. (In Persian) ...
  • Tabari, H., Marofi, S., and Savziparvar, A. 2010. Estimation of ...
  • artificial neural networks. J. Food Agric. Org. United Nations. 16: ...
  • The ministry of Energy. 2004. Atlas of Iranian National Water ...
  • and management of water resources Press. (In Persian) ...
  • Zare Abyaneh, H., and Bayat Varkeshi, M. 2011. Evaluation of ...
  • empirical models in estimation of annual runoff. J. Water Soil. ...
  • Research Info Management

    Certificate | Report | من نویسنده این مقاله هستم
    این Paper در بخشهای موضوعی زیر دسته بندی شده است:

    اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    Scientometrics

    The specifications of the publisher center of this Paper are as follows:
    Type of center: دانشگاه دولتی
    Paper count: 15,948
    In the scientometrics section of CIVILICA, you can see the scientific ranking of the Iranian academic and research centers based on the statistics of indexed articles.

    Share this page

    More information about COI

    COI stands for "CIVILICA Object Identifier". COI is the unique code assigned to articles of Iranian conferences and journals when indexing on the CIVILICA citation database.

    The COI is the national code of documents indexed in CIVILICA and is a unique and permanent code. it can always be cited and tracked and assumed as registration confirmation ID.

    Support