پیش بینی جریان روزانه رودخانه اهرچای با استفاده از روش های شبکه های عصبی مصنوعی (ann) و مقایسه آن با سیستم استنتاج فازی- عصبی تطبیقی (anfis)

Authors

محمدرضا عبداله پور آزاد

محمد تقی ستاری

abstract

در طی سال های اخیر پیش بینی فرآیندهای هیدرولوژیکی به منظور بهره برداری پایدار از منابع آب با استفاده از روش های هوشمند مورد توجه دست اندرکاران بخش آب قرار گرفته است. در این تحقیق با بهره گیری از شبکه های عصبی مصنوعی (ann) و سیستم استنتاج فازی- عصبی تطبیقی (anfis) اقدام به پیش بینی دبی جریان روزانه رودخانه اهر چای واقع در استان آذربایجان شرقی در ایستگاه های اورنگ، برمیس و تازه کند گردید. برای مدل سازی جریان یک روز بعد، داده های دبی روزانه سال های 1381 تا 1388 مورد استفاده قرار گرفت. طی فرایند مدلسازی داده های دبی 6 سال به عنوان داده های آموزش و بقیه به عنوان داده های آزمون انتخاب گردید. ارزیابی نتایج پیش بینی ها با استفاده از معیارهای ضریب تبیین (r2) و ریشه دوم میانگین مربعات خطا (rmse) نشان داد، سیستم استنتاج فازی- عصبی تطبیقی با دقت بالاتری (94/0= r2 و (متر مکعب بر ثانیه) 0318/0=rmse ) نسبت به شبکه های عصبی مصنوعی (92/0= r2و (متر مکعب بر ثانیه) 0378/0 =rmse) جریان روزانه رودخانه اهرچای را پیش بینی می کند.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

پیش‌‌بینی جریان روزانه رودخانه اهرچای با استفاده از روش های شبکه های عصبی مصنوعی (ANN) و مقایسه آن با سیستم استنتاج فازی- عصبی تطبیقی (ANFIS)

در طی سال‌های اخیر پیش‌‌بینی فرآیندهای هیدرولوژیکی به منظور بهره‌برداری پایدار از منابع آب با استفاده از روش‌‌های هوشمند مورد توجه دست اندرکاران بخش آب قرار گرفته است. در این تحقیق با بهره‌‌گیری از شبکه‌‌های عصبی مصنوعی (ANN) و سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) اقدام به پیش‌‌بینی دبی جریان روزانه رودخانه اهر چای واقع در استان آذربایجان شرقی در ایستگاه های اورنگ، برمیس و تازه کند گردید. بر...

full text

مقایسه کاربرد شبکه عصبی مصنوعی (ANN) با سیستم استنتاج فازی (FIS) در پیش بینی جریان رودخانه زاینده رود

یکی از روشهای نو ظهور در حل مسایل مهندسی جهت مدل‌سازی سیستم‌هایی که دارای پیچیدگی زیاد یا عدم‌صراحت بوده و یا داده‌های کافی از آنها موجود نیست، استفاده از تئوری مجموعه‌های فازی و شبکه عصبی مصنوعی می‌باشد. مزیت اصلی این تکنیک‌ها نسبت به روش‌های رایج این است که در مدت زمان نسبتاً کوتاهی قادر به بررسی تأثیر انواع پارامترهای در دسترس، بر فرآیند مورد بررسی می‌باشند بدون آنکه در هر مرتبه نیاز به یافتن...

full text

مقایسه توانایی پیش بینی مدل های شبکه عصبی مصنوعی (ANN)، سیستم استنتاج عصبی- فازی انطباقی(ANFIS) و تبدیل موجک-عصبی: قیمت سبد نفت خام اوپک

پیش بینی قیمت نفت خام از مهم ترین موضوعات فرا روی اقتصاد انرژی است. پیش بینی مناسب قیمت نفت و آن هم قیمت نفت خام اوپک، به دلیل درگیر بودن تعدادی از کشورهای در حال توسعه این سازمان با قیمت نفت، می تواند در برنامه ریزی های سازمان و کشورهای عضو آن، اهمیت ویژه ای داشته باشد. برآورد و پیش بینی روند قیمت نفت، به خاطر نبود داده های تاریخی مهم و محدودیت اطلاعات مرتبط با شاخص های موثر بر روند قیمت نفت، ...

full text

پیش¬بینی جریان روزانه با استفاده از شبکه¬های عصبی مصنوعی و عصبی- موجکی (مطالعه موردی: رودخانه باراندوزچای)

پیش­بینی دقیق جریان در رودخانه­ها یکی از مهمترین ارکان در مدیریت منابع آبهای سطحی به ویژه جهت اتخاذ تدابیر مناسب در مواقع سیلاب و بروز خشکسالی­ها است. به دلیل اهمیت پیش­بینی جریان رودخانه، در این تحقیق جریان روزانه رودخانه­ی باراندوزچای در دو ایستگاه بی­بکران و دیزج طی یک دوره­ی آماری 20 ساله با استفاده از مدل عصبی- موجکی (WNN) که تلفیق آنالیز موجک و شبکه عصبی مصنوعی (ANN) می­باشد، پیش­بینی گرد...

full text

طراحی مدل پیش بینی حجم ترافیک روزانه برون شهری با استفاده از سیستم استنتاج فازی مبتنی بر شبکه عصبی(ANFIS)

 تقاضای روزافزون استفاده از وسایل حمل و نقل شخصی، مشکل تراکم ترافیک را به یکی از مهم ترین بحران ها در اکثر کلان شهرهای جهان تبدیل کرده است. تأثیرات زیست محیطی، اجتماعی و اقتصادی که گره های ترافیکی بر جوامع بشری می گذارد محققین را برآن داشته است که به دنبال راه کارهایی برای مقابله با آن باشند. یکی از این راه کارها پیش بینی حجم ترافیک روزانه است. پیش بینی ترافیک به کنترل کننده ها کمک می کند ت...

full text

My Resources

Save resource for easier access later


Journal title:
مجله پژوهش های حفاظت آب و خاک

Publisher: دانشگاه علوم کشاورزی و منابع طبیعی گرگان

ISSN 2322-2077

volume 22

issue 1 2015

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023