ارزیابی مدلهای هوش مصنوعی در تخمین دبی سیلاب
Authors
Abstract:
برآورد دبی اوج بهعنوان یکی از مباحث اصلی در مدیریت منابع آبی و سیلاب نقش اساسی در طراحی سازههای آبی و اقدامات بیومکانیکی در حوزههای آبخیز دارد، بهطوری که برآورد صحیح آن نقش اساسی در موفقیت کارهای اجرایی دارد. در این بررسی، سعی شده با استفاده از روشهای هوش مصنوعی (شبکه عصبی MLP، ترکیب شبکه عصبی MLP و شبکه SOFM، GRNN، ترکیب خوشهبندی FCM و ANFIS) دبی بیشینه رودخانه یلفان در محل ایستگاه هیدرومتری برآورد شود. به این منظور، در این دو مدل هشت متغیر که شامل بارندگی مربوط به روز وقوع سیل، بارندگیهای پنج روز قبل، دبی پایه در روز وقوع سیل و CN حوضه بهعنوان پارامترهای ورودی و دبی پیک بهعنوان خروجی در نظر گرفته شده است. سپس، با استفاده از روش هوش مصنوعی و پیش پردازش دادهها، ساختار بهینه مدلها با استفاده از دادههای ورودی و خروجی و با ملاک قراردادن معیارهای ارزیابی، به روش سعی و خطا تعیین شد. نتایج نشان داد که شبکه عصبی پرسپترون چند لایه (MLP) عملکرد بهتری در برآورد دبی سیلاب نسبت به مدل ترکیبی ANFIS+FCM ،MLP+SOFM ،GRNN در حوضه یلفان دارد.
similar resources
مقایسهی روشهای هوش مصنوعی و ماسکینگام در تخمین روندیابی سیلاب
روندیابی سیلاب بهدلیل فراهم نمودن امکان پیشبینی چگونگی طغیان و فروکش کردن آن در رودخانه، یکی از مهمترین مسائل در مهندسی رودخانه است. از آن جای که سیلاب جریانی متغیر غیردایمی است، لذا روندیابی آن نیاز به دادههای گسترده از رودها و آمار دقیقی از ایستگاههای آبسنجی دارد. روش ماسکینگام، به دلیل سادگی آن، دارای کاربرد بیشتری در میان روشهای روندیابی سیلاب میباشد. از طرفی، استفاده از روشهای هو...
full textمقایسة سه روش اصلی هوش مصنوعی در برآورد دبی سیلاب رودخانة یلفان
برآورد دبی اوج، یکی از موضوعات اساسی در مدیریت منابع آب و کنترل سیلاب، جایگاه ویژهای در موفقیت طراحی سازههای آبی و کارایی اقدامات بیومکانیکی در حوضههای آبخیز دارد. در این پژوهش سعی شده است با مقایسة سه روش اصلی در هوش مصنوعی (مدل شبکة عصبی پرسپترون چند لایه، مدل الگوریتم ترکیبی شبکة عصبی با ژنتیک و مدل ترکیب خوشهبندی کاهشی و روش نورو فازی (ANFIS، بهترین روش پیشبینی دبی حداکثر رودخانة یلفان...
full textارزیابی توانایی یک روش آموزش ماشین در تخمین حداکثر دبی سیلاب ناشی از شکست سد
در این مقاله توانایی روش آموزش ماشین Support Vector Machine (SVM) در پیش بینی حداکثر دبی خروجی سیلاب ناشی از شکست سدهای خاکی بررسی شده است. پارامترهای ورودی مدل مورد نظر، دو پارامتر مخزن در زمان شکست یعنی ارتفاع آب و حجم آب پشت سد انتخاب شد که برای آموزش این مدلها از دادههای جمع آوری شده در منابع مختلف استفاده شده است. از مجموع 112 داده، 70 درصد آن جهت آموزش مدلها و 30 درصد آن جهت صحتسنجی،...
full textمقایسه ی روش های هوش مصنوعی و ماسکینگام در تخمین روندیابی سیلاب
روندیابی سیلاب به دلیل فراهم نمودن امکان پیش بینی چگونگی طغیان و فروکش کردن آن در رودخانه، یکی از مهمترین مسائل در مهندسی رودخانه است. از آن جا ی که سیلاب جریانی متغیر غیردایمی است، لذا روندیابی آن نیاز به داده های گسترده از رود ها و آمار دقیقی از ایستگاههای آبسنجی دارد. روش ماسکینگام، به دلیل سادگی آن، دارای کاربرد بیشتری در میان روشهای روندیابی سیلاب می باشد. از طرفی، استفاده از روشهای هو...
full textارزیابی روشهای برآورد دبی پیک سیلاب در حوضه آبخیز شهری جهت کنترل سیلاب
گسترش روزافزون شهرها و تغییر کاربری اراضی زراعی و مرتعی به اراضی مسکونی و صنعتی و بحران سیل در نقاط شهری و به موازات آن تغییرات ایجاد شده در نفوذپذیری، فریب رواناب و تبخیر و تعرق باعث میگردد که رفتار هیدرولوژیکی حوضههای آبخیز شهری نسبت به حوضههای طبیعی غیرعادی و نامنظم گردد. عوامل متعددی در ظهور سیلاب و شدت آن موثر میباشند که امکان بررسی این عوامل نیاز به تحقیقات جامعتری دارد. برای این منظ...
full textارزیابی و کاربرد مدل های ترکیبی هوش مصنوعی برای تخمین هد پیزومتریک سد خاکی
شکست سدهای خاکی از چالشهای بزرگ مهندسی عمران به شمار میرود که یکی از عمده ترین علل وقوع آن، تراوش کنترل نشده از هسته و پی سد میباشد. از این رو تحلیل تراوش، از مسائل بسیار مهم در طی مراحل طراحی، ساخت و بهره برداری از این نوع سدها است. در این راستا بررسی هد پیزومتریک یکی از اولین مراحل بررسی تراوش میباشد؛ در تحقیق حاضر هد پیزومتریک سد خاکی ستارخان با استفاده از مدلهای جعبه سیاه هوش مصنوعی و جعبه ...
full textMy Resources
Journal title
volume 10 issue 3
pages 478- 488
publication date 2018-09-23
By following a journal you will be notified via email when a new issue of this journal is published.
Hosted on Doprax cloud platform doprax.com
copyright © 2015-2023