تاثیر توزیع‌های احتمالاتی در افزایش دقت پیش‌بینی رسوب معلق با استفاده از شبکه‌های عصبی مصنوعی و سیستم استنتاج فازی-عصبی(مطالعه موردی: حوزه آبخیز سد دز)

Authors

  • حمیده افخمی دانشجوی دکتری علوم و مهندسی آبخیزدارای، دانشکده منابع طبیعی و کویر شناسی دانشگاه یزد، ایران.
Abstract:

توجه به ماهیت داده­های رسوب و انتخاب روش­های مناسب پردازش بر روی داده­ها قبل از ورود به مدل­های هوش مصنوعی از جمله مواردی است که می­تواند نتایج حاصل از شبیه­سازی­ها را به واقعیت نزدیک سازد. در این تحقیق تأثیر روش­های پردازش داده­های رسوب قبل از ورود به دو مدل شبکه­های عصبی مصنوعی و سیستم­های استنتاج فازی-عصبی در هفت ایستگاه حوضه سد دز مورد بررسی قرار گرفته است. بر این اساس با توجه به توزیع­های احتمالاتی حاکم بر داده­ها سه سناریو در نظر گرفته شد. سناریوی اول بدون هیچ‌گونه پردازش و با استفاده از اصل داده­ها، سناریوی دوم، پردازش داده­ها از طریق استاندارد­سازی و در سناریوی سوم با توجه به حاکمیت توزیع­های لگاریتمی بر داد­ه­های رسوب، از لگاریتم داده­ها استفاده گردید. نتایج شبیه­سازی­ها در دو مدل، کارایی بهتر و خطای کمتر را در شرایط استفاده از لگاریتم داده­ها به خصوص در ایستگاه­هایی که بهترین توزیع­های احتمالاتی آن‌ها یکی از توزیع‏های لگاریتمی می‌باشد، نشان دادند. درنهایت، مدل فازی عصبی با ضریب همبستگی 95/0، 4/5RMSE=، 4/1 MSE=و 42/0 ME= در ایستگاه بیاتون و در شرایط استفاده از لگاریتم داده­ها بهترین عملکرد را نشان داد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

استفاده از نظام استنتاج فازی در برآورد رسوب معلق (مطالعه موردی: حوزه آبخیز طالقان)

  شبیه­سازی و ارزیابی آورد رسوب رودخانه از جمله مسائل مهم و کاربردی در مدیریت منابع آب می­باشد. بررسی روابط تجربی و معادلات ریاضی ارائه شده نشان می­دهد که هنوز روش تحلیلی یا تجربی مناسبی که براساس آن به برآورد درستی از میزان رسوبات حمل شده توسط رودخانه دست یافت، ارائه نشده است. به همین دلیل در این مطالعه به منظور دستیابی به تخمینی نزدیک به واقعیت از میزان رسوبات حمل شده توسط رودخانه­ها، از داده...

full text

ارزیابی دقت برآورد میزان انتقال رسوب معلق در سدهای مخزنی توسط سیستم استنتاج فازی- عصبی وشبکه عصبی مصنوعی (مطالعه موردی :رودخانه سفیدرود-استان گیلان)

در تحقیق حاضر، هدف مقایسه تخمین بار رسوب معلق در سدهای مخزنی با استفاده از شبکه عصبی مصنوعی و سیستم استنتاج فازی- عصبی می باشد. بررسیها توسط برنامه  MATLAB انجام شده است و ورودی ها شامل دبی رودخانه سفید رود و خروجی، غلظت رسوب در گام زمانی بوده است.ورودی و خروجی رسوب دارای روند مثبت بوده و 80 درصد داده ها جهت آموزش و 20 درصد داده ها جهت آزمون شبکه مورد استفاده قرار گرفت. از تعداد 229 داده موجود ...

full text

شبیه‌سازی بار رسوب معلق با استفاده از روش‌های شبکه عصبی مصنوعی، عصبی-فازی و منحنی سنجه رسوب در حوزه آبخیز هلیل‌رود

در کشورهای در حال توسعه، به‌علت مشکلات مالی و فنی به‌طور معمول داده‌­های رسوب اندکی اندازه‌گیری می­‌شوند، لذا، مدلی که بتواند با استفاده از داده­‌های دبی آب، میزان بار رسوبی را برآورد کند، می­تواند گزینه قابل اطمینانی باشد. با توجه به کاربرد انواع مدل­‌ها در پیش‌­بینی رسوب، این تحقیق با هدف ارائه مدل بهینه­ ­برآورد میزان رسوب معلق بر اساس دبی جریان بر روی ایستگاه­‌های هیدرومتری بالادست رودخانه ...

full text

کارایی شبکه‌های عصبی مصنوعی و سیستم استنتاج عصبی- فازی تطبیقی در مدل‌سازی بارش- رواناب در حوضه آبخیز سد زاینده‌رود

در دهه‌های اخیر به‌دلیل اهمیت یافتن مسئله آب و همینطور افزایش تمایل به محاسبه مقدار رواناب حاصل از بارش، توسعه و اجرای روشهای مناسب برای پیش‌بینی رواناب از روی داده‌های بارش به مسئله‌ای ضروری تبدیل شده است. یکی از این روشها که در بسیاری از رشته‌ها از جمله هیدرولوژی توسعه یافته است، استفاده از روشهای محاسبات نرم نظیر منطق فازی و شبکه‌های عصبی مصنوعی است. در این تح...

full text

مقایسه مدل‌های شبکه عصبی مصنوعی و منحنی سنجه رسوب در شبیه‌سازی میزان رسوب معلق؛ مطالعه موردی حوزه آبخیز شاهرود

این پژوهش با هدف مقایسه کارآیی برخی مدل‌های شبیه­سازی میزان رسوب معلق شامل منحنی سنجه رسوب و شبکه عصبی مصنوعی و ارائه مدل بهینه بر اساس دبی جریان در حوزه آبخیز شاهرود و بر روی ایستگاه­های هیدرومتری گلینک، باغکلایه، لوشان و رجائی دشت انجام شد. به منظور شبیه­سازی میزان رسوب معلق از مدل منحنی سنجه رسوب یک خطی و مدل­های شبکه عصبی پرسپترون چند لایه و تابع پایه شعاعی بهره گرفته و سپس ارزیابی این مدل­...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 69  issue 2

pages  323- 338

publication date 2016-06-21

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