مقایسه عملکرد مدل‌های شبکه عصبی و فازی در تعیین دبی ماهانه جریان با استفاده از آمار کوتاه مدت.

Authors

  • سعید مرید دانشیار گروه مهندسی منابع آب، دانشگاه تربیت مدرس
  • صدیقه انوری دانشجوی کارشناسی ارشد گروه سازه آبی، دانشگاه تربیت مدرس
Abstract:

بهره‌برداری بهینه از سیستم­های منابع آب و به خصوص تعیین زمان واقعی کارکرد مخازن سدها، مستلزم پیش‌بینی آورد رودخانه‌هاست. در این مقاله عملکرد مدل‌های منطق فازی (FL) و شبکه عصبی مصنوعی (ANN) برای پیش‌بینی یک و دو ماه بعد جریان حوضه کارون در محل ایستگاه هیدرومتری پل­شالو با هم مقایسه شده است. در این راستا از سیستم استنتاجی ممدانی برای ساخت مدل‌های FL و همچنین شبکه­های پیشرو سه لایه برای مدل‌سازی توسط ANN استفاده گردید. بررسی عملکرد این مدل‌ها با شاخص‌های ضریب تبیین(R2)، میانگین قدر مطلق خطا (MAE) و ریشه میانگین مربعات خطا (RMSE) نشان داد که در شرایط کم بودن داده‌ها، مدل FL نسبت به مدل ANN در پیش‌بینی یک و دو ماه بعد جریان از نظر آماری عملکرد بهتری داشته است. این عملکرد بهتر به طور متوسط مقادیری برابر 25% و 7% را به ترتیب برای R2 و RMSE در پیش­بینی جریان اسفند ماه به همراه داشته است. نتایج بدست آمده از این دو مدل با مدل رگرسیون خطی چندگانه (MLR) نیز مقایسه گردید که عدم عملکرد مناسب آن را نشان می‌داد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

مقایسه کارایی پیش‌بینی دبی ماهانه با استفاده از روش‌های شبکه عصبی مصنوعی و سری‌های زمانی

پیش­بینی در هیدرولوژی به معنی تخمین شرایط هیدرولوژیکی و هواشناسی در یک بازه زمانی خاص می­باشد. در همین راستا، فهم رابطه بین بارش و رواناب یکی از ضروری‌ترین مسائل برای مدیریت منابع آب می‌باشد. پژوهش حاضر با هدف مقایسه بین مدل‌های مختلف شبکه عصبی مصنوعی (MLP وRBF) و سری‌های زمانی آرما (ARMA) در برآورد دبی ماهانه در حوزه آبخیز طالقان برای یک دوره 30ساله بین سال‌های 1356 تا 1386 پی­ریزی شد. در روش ...

full text

مقایسه مدلهای خودهمبسته شبکه عصبی مصنوعی دینامیک و استاتیک در پیش بینی جریان ماهانه ورودی به مخزن سد دز

در مقاله حاضر قابلیت مدل خود همبسته شبکه عصبی مصنوعی دینامیک برای پیش­بینی جریان ماهانه ورودی مخزن سد دز ارزیابی شده و نتایج  به دست آمده با مدل خودهمبسته شبکه عصبی مصنوعی استاتیک مقایسه شده است. در تحقیقات قبل مقایسه مدل‌های استاتیک و دینامیک در شبکه‌های عصبی مصنوعی صورت نگرفته است. ضمناً تحقیق حاضر از حیث خودهمبستگی مدل شبکه عصبی مصنوعی، دارای نوآوری می‌باشد. در این تحقیق آبدهی های ماهانه بین ...

full text

پیش بینی قیمت سهام با استفاده از شبکه عصبی فازی مبتنی برالگوریتم ژنتیک و مقایسه با شبکه عصبی فازی

In capital markets, stock price forecasting is affected by variety of factors such as political and economic condition and behavior of investors. Determining all effective factors and level of their effectiveness on stock market is very challenging even with technical and knowledge-based analysis by experts. Hence, investors have encountered challenge, doubt and fault in order to invest with mi...

full text

پیش بینی کوتاه مدت بار استان چهارمحال و بختیاری با استفاده از اجماع شبکه های عصبی

پیش­بینی کوتاه مدت بار در بازار برق اهمیت زیادی دارد. از طرفی عوامل مهم تأثیرگذار بر پیش­بینی کوتاه مدت بار به ویژگی­های بار الکتریکی و آب و هوایی هر منطقه بستگی دارد، بنابراین با استفاده از داده­های واقعی استان چهارمحال و بختیاری-شامل بار و دما- به پیش­بینی کوتاه مدت بار الکتریکی استان پرداخته­ایم. بدین منظور با استفاده از چهار روش مختلف شبکه عصبی پرسپترون (MLp < /strong>)، مجمعی از شبکه عصبی ...

full text

پیش‌بینی بلند مدت رواناب با استفاده از شبکه های عصبی مصنوعی و سیستم استنتاج فازی

مدل‏های مفهومی ‌بر مبنای هوش مصنوعی، اغلب برای پیش‌بینی‏های کوتاه مدت و میان مدت هیدورلوژیکی به کار رفته اند. در این مقاله با استفاده از مفهوم تولید مجموعه ای از پیش‌بینی‌ها1 (ESP) و تفکیک مدل‏سازی برای متغیرهای اقلیمی‌و هیدرولوژیکی، از مدل‏های مفهومی ‌برای پیش‌بینی بلندمدت حجم جریان رودخانه زاینده رود در محل ورودی به سد زاینده رود استفاده می‌شود. سیستم استنتاج فازی برای پیش‌بینی بار...

full text

برآورد جریان ماهانه در حوضه‌های فاقد آمار با استفاده از پارامترهای اقلیمی و فیزیوگرافی حوضه

چکیده چکیده سابقه و هدف: برآورد دبی در حوضه‌های آبریز با داده‌های آماری محدود، همواره مورد توجه پژوهش‌گران خصوصاً در کشور‌های در حال توسعه می‌باشد. در بسیاری از موارد، داده‌های مشاهداتی دبی یا در دسترس نبوده و یا از لحاظ کیفیت و کمیَت کافی نیستند. این عامل طرح‌های مدیریت منابع آب را با مشکل روبه‌رو می‌سازد. بنابراین روش‌هایی که به کمک آن‌ها بتوان میزان آبدهی رودخانه در حوضه‌های بدون آمار یا دارای...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 33  issue 2

pages  113- 126

publication date 2010-10-23

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