شبیه‌سازی تراز آب زیرزمینی با استفاده از مدل ترکیبی موجک-ماشین آموزش نیرومند خودتطبیقی

Authors

  • سعید شعبانلو دانشیار، گروه مهندسی آب، دانشکده کشاورزی، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران
  • سعید کاردار استادیار، گروه معماری، دانشکده هنر و معماری، واحد علوم و تحقیقات ، دانشگاه آزاد اسلامی، تهران، ایران
  • مریم ملکزاده استادیار، گروه منابع طبیعی، دانشکده منابع طبیعی، واحد تهران شمال، دانشگاه آزاد اسلامی، تهران، ایران
Abstract:

در مطالعه حاضر، با استفاده از روش­های نوین ماشین آموزش نیرومند خود تطبیقی  (SAELM)و موجک-ماشین آموزش نیرومند خود تطبیقی  (WA-SAELM) تراز آب زیرزمینی در منطقه کبودر آهنگ واقع در استان همدان مورد بررسی قرار گرفت. در ابتدا با استفاده از تابع خود همبستگی، تاخیرهای موثر شناسایی شده و سپس با استفاده از این تاخیرها برای هر یک از روش­های SAELM و WA-SAELM، 10 الگوی متمایز ورودی توسعه داده شد. با ارزیابی نتایج مدل­های مذکور، WA-SAELM به­عنوان مدل برتر معرفی شد که تجزیه و تحلیل نتایج شبیه­سازی نشان دهنده دقت بالای مدل برتر در تخمین تراز آب زیرزمینی بود. مقادیر ضریب همبستگی (R)، ریشه میانگین مربعات خطا (RMSE) و ضریب بهره­وری نش-ساتکلیف (NSC) برای مدل برتر به­ترتیب برابر با 969/0، 358/0 و 939/0 محاسبه گردید.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

پیش‏بینی تراز آب زیر زمینی با استفاده از مدل‏های مادفلو، ماشین آموزش نیرومند و ویولت-ماشین آموزش نیرومند

در این مطالعه تراز آب زیرزمینی منطقه کبودر آهنک واقع در استان همدان، ایران با استفاده از مدل‏های مادفلو، ماشین آموزش نیرومند (ELM) و ویولت-ماشین آموزش نیرومند WA-ELM)) شبیه‏سازی می‏شود. تجزیه و تحلیل نتایج مدل‏سازی نشان می‏دهد که مدل‏های عددی تراز آب زیرزمینی را با دقت قابل قبولی شبیه‏سازی می‏کنند. به‏عنوان مثال مقادیر ضریب همبستگی و شاخص پراکندگی برای مدل مادفلو به‏ترتیب مساوی 0.917 و 0.0004 ب...

full text

استفاده از مدل های ترکیبی ماشین بردار پشتیبان - موجکی و شبکه عصبی -موجکی در پیش‌بینی تراز آب زیرزمینی دشت اردبیل

چکیده آب‌های زیرزمینی همواره به عنوان یکی از منابع مهم و عمده­ ی تأمین آب شرب و کشاورزی به ویژه در مناطق خشک و نیمه­ خشک مطرح بوده‌اند. به منظور آگاهی از وضعیت این منابع و مدیریت بهینه­ ی آنها، لازم است پیش‌بینی دقیقی از نوسانات سطح آب زیرزمینی صورت گیرد. در این تحقیق اطلاعات 15 پیزومتر موجود در دشت اردبیل مورد استفاده قرارگرفت. از تبدیل موجک و روش خوشه‌بندی به ترتیب برای پیش‌پردازش زمانی و مک...

full text

پیش‌بینی تراز سطح آب زیرزمینی آبخوان دشت ارومیه با استفاده از مدل هیبرید تبدیل موجک-ماشین یادگیری بیشینه و بهینه‌سازی با ازدحام ذرات کوانتومی

امروزه با توجه به اهمیت بالای مدیریت پایدار آب­های زیرزمینی، برای بررسی و ارزیابی منابع آب از مدل‌سازی و پیش‌بینی تراز آب­‌های زیرزمینی (GWL) استفاده می‌­شود. هدف از این پژوهش، ارزیابی عملکرد دو مدل ماشین یادگیری بیشینه (ELM) و شبکه عصبی مصنوعی (ANN) و همچنین، تلفیق آن دو مدل با الگوریتم تبدیل موجک (W-ELM و W-) است که در نهایت برای بالا بردن قدرت پیش­‌بینی و بهینه‌­کردن وزن­‌های ورودی (وزن­‌های...

full text

شبیه سازی نوسانات سطح آب زیرزمینی با استفاده از ترکیب ماشین بردار پشتیبان و تبدیل موجک

امروزه در بسیاری از کشورهای جهان، به ویژه در مناطقی که با کمبود آب‌های سطحی مواجه هستند، بهره­برداری از منابع آب زیرزمینی بیش از پیش مورد توجه قرار گرفته است. بهره­برداری بی­رویه از این منابع، بدون بهره­گیری از مطالعات منابع آب زیرزمینی می­تواند مشکلات و پیامدهای جبران‌ناپذیری را به­بار آورد. مدیریت صحیح این منابع با شناخت کامل و آگاهی از این منابع امکان­پذیر است. در این تحقیق از مدل ماشین بردا...

full text

پیش بینی سطح آب زیرزمینی با استفاده از مدل ترکیبی سری زمانی-موجک (مطالعه موردی: دشت فیروزآباد)

در سال­های اخیر، پدیده تغییراقلیم، خشک­سالی، برداشت بی­رویه آب­های زیرزمینی،... باعث افت شدید سطح آب­های زیرزمینی شده است؛ که خطراتی هم­چون نشست زمین و افزایش کویری شدن را در پی داشته است. لذا پیش­بینی قابل اطمینان سطح آب­های زیرزمینی برای مدیریت این منابع، حائز اهمیت است. امروزه تبدیل موجک از طریق تجزیه سیگنال­ها به زمان و فرکانس شیوه نوینی را برای پردازش سیگنال ارائه می­دهد. در پژوهش حاضر، به...

full text

مدل‌سازی تراز آب زیرزمینی با بهره‌گیری از مدل هیبرید موجک- شبکه عصبی مصنوعی (مطالعه موردی: دشت شریف‌آباد)

منابع آب زیرزمینی یکی از مهم­ترین منابع تأمین آب می­باشند، از این­رو مدل­سازی آن­ها بسیار حائز اهمیت می­باشد. ارزیابی و پیش­بینی تراز آب زیرزمینی به پیش­بینی منابع آب زیرزمینی کمک می­کند. هدف این مطالعه ارزیابی عملکرد سه مدل رگرسیون خطی چندمتغیره (MLR)، مدل هیبرید موجک- شبکه عصبی (WNN) و شبکه عصبی مصنوعی (ANN) در پیش­بینی سطح آب زیرزمینی (GWL)، بر مبنای دو معیار ریشه خطای مربع متوسط (RMSE) و ضر...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 51  issue 4

pages  975- 986

publication date 2020-06-21

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