کاربرد مدلهای شبکه عصبی مصنوعی و مدل M5 در شبیه سازی جریان ماهانه(مطالعه موردی: رودخانه استور)
نویسندگان
چکیده مقاله:
مدیریت موثر منابع آبی در یک رودخانه نیازمند شناخت صحیح و کامل از فرآیندهایی است که در آن رخ میدهد. روشهای هوش مصنوعی میتوانند کارایی بالایی جهت شبیهسازی جریان رودخانه در مقیاسهای مختلف زمانی و مکانی داشته باشند. در این مطالعه از روش شبکه عصبی مصنوعی و مدل نمودار درختی M5 جهت شبیهسازی ماهانه جریان رودخانه در ایستگاه استور استفاده گردید. جهت شبیهسازی دادههای دبی جریان ماهانه در این ایستگاه, از دادههای دبی ثبت شده در چهار ایستگاه هیدرومتری بالادست و یک ایستگاه اقلیمی استفاده گردید. جهت مقایسه نتایج دو روش شبکه عصبی مصنوعی و مدل M5، از دو معیار مجذور میانگین مربعات خطا و ضریب تبیین استفاده گردید. نتایج نشان داد شبکه عصبی مصنوعی با ساختار یک لایه مخفی با چهار نرون کارایی بیشتری نسبت به مدل M5 دارد. خطای مدل شبکه عصبی مصنوعی 40/25 با ضریب همبستگی 93/0 و خطای مدل M5 18/28 با ضریب همبستگی 92/0 به دست آمد. با افزایش نرونهای محاسباتی در لایه مخفی کارایی شبکه عصبی مصنوعی کاهش یافت.
منابع مشابه
مقایسه کارآیی مدل هیدرولوژیکیWetSpa شبکه عصبی مصنوعی و سیستم عصبی- فازی انطباقی ، در شبیه سازی دبی جریان رودخانه (مطالعه موردی: حوضه آبخیز بالوخلوچای استان اردبیل)
پوشش گیاهی حوضههای آبخیز دارد. در سالهای اخیر، مدلهای متنوع کامپیوتری و روشهای هوشمند عصبیجهت تخمین و پیشبینی رواناب و تأثیرات متعدد آن مورداستفاده قرارگرفتهاند. در این تحقیق، عملکرد مدلدر شبیهسازی بارش- رواناب و تخمین دبی روزانه ANFIS و ANN و دو مدل هوشمند WetSpa هیدرولوژیکیحوضه آبخیز بالوخلوچای موردبررسی قرار گرفت. دادههای موردنیاز شامل اطلاعات مربوط به مدل رقومی ارتفاع،نقشههای کاربری اراضی و...
متن کاملشبیه سازی و پیش بینی جریان رودخانه ها با استفاده از شبکه عصبی و مدل فوریه
مقاله حاضر به بررسی نحوه عملکرد شبکه های عصبی mlp در ارتباط با خروجی مدل فوریه، fsam، می پردازد. مدل fsam که مدل شبیه ساز بارش است، تحلیل مدل های کلاسیک را در قلمرو فرکانس، که توسعه نظریه طیفی فرآیندهای متداول نظیر طیف الگوهای arima را در درون خود دارد، ارائه می دهد. کاربرد همزمان شبکه های عصبی mlp و مدلfsam، امکان پیش بینی جریان ماه (i) ام را در ارتباط با پیش بینی بارش همان ماه، میسر می سازد. ...
متن کاملپیشبینی جریان روزانه رودخانه اهرچای با استفاده از مدل قوانین M5 و مقایسه آن با شبکههای عصبی مصنوعی المانی (ENN)
برآورد صحیح آبدهی رودخانهها یکی از موارد مهم در پیشبینی خشکسالی، سیلاب، طراحی سازههای آبی، بهرهبرداری از مخازن سدها و کنترل رسوب میباشد. از اینرو متخصصان علوم مهندسی آب جهت برآورد دقیق جریان، از روشهای هوشمند مانند شبکههای عصبی مصنوعی و روشهای مختلف دادهکاوی بهره گرفتهاند. در این مطالعه، جهت پیشبینی جریان روزانه رودخانه اهرچای، از روشهای شبکه عصبی مصنوعی المانی (ENN) و قوانین درخت...
متن کاملمقایسه کارآیی مدل هیدرولوژیکیwetspa شبکه عصبی مصنوعی و سیستم عصبی- فازی انطباقی ، در شبیه سازی دبی جریان رودخانه (مطالعه موردی: حوضه آبخیز بالوخلوچای استان اردبیل)
پوشش گیاهی حوضههای آبخیز دارد. در سالهای اخیر، مدلهای متنوع کامپیوتری و روشهای هوشمند عصبیجهت تخمین و پیشبینی رواناب و تأثیرات متعدد آن مورداستفاده قرارگرفتهاند. در این تحقیق، عملکرد مدلدر شبیهسازی بارش- رواناب و تخمین دبی روزانه anfis و ann و دو مدل هوشمند wetspa هیدرولوژیکیحوضه آبخیز بالوخلوچای موردبررسی قرار گرفت. دادههای موردنیاز شامل اطلاعات مربوط به مدل رقومی ارتفاع،نقشههای کاربری اراضی و...
متن کاملبررسی عملکرد شبکه عصبی مصنوعی در پیشبینی جریان رودخانه (مطالعه موردی: حوضه قره آغاج استان فارس)
In order to river flow forecasting in catchments area in during many years are invented different methods that their efficiency is confirmed. One of these simulation models is neural network that it can draw the existence of truth together with considerable attention. In this research in order to Discharge simulation is investigated meteorological parameters effects on Ghare Aghaj river flow. F...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 23 شماره 1
صفحات 53- 62
تاریخ انتشار 2016-09-20
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023