پیشبینی جریان فصلی رودخانه با استفاده از تکنیکهای هوش مصنوعی
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی خواجه نصیرالدین طوسی - دانشکده عمران
- نویسنده شیما عظیمی
- استاد راهنما علیرضا برهانی داریان
- سال انتشار 1391
چکیده
در این پایان نامه ابتدا با استفاده از شبکه عصبی پرسپترون چند لایه با ساختارهای بهینهی حاصل شده از سعی و خطا جریان متوسط ماهانه حوزه لیقوان در قالب مدل بارش-جریان محاسبه شده است. سپس، از مدل نروفازی (anfis) به منظور بهبود عملکرد مدل‌های آموزشی بهره گرفته شده است. شایان ذکر است در مدل انفیس تعیین ساختار فازی اولیه نقش مهمی را ایفا مینماید؛ در این راستا روشهای کلاسه بندی متداول شاملfuzzy c means (fcm) و subtractive برای تعیین تعداد اولیه قوانین فازی و توابع عضویت در ساختار فازی مورد بررسی قرار گرفت و نهایتا کارایی و قابلیت مدل‌های fcm-anfis و subtractive-anfis ارزیابی و مقایسه شد. از آمار 41 سال بارش ایستگاههای تبریز، زینجناب، قرمزیگل و دمای ایستگاه لیقوان برای پیش بینی جریان زیرحوزه در ایستگاه هروی (واقع در خروجی حوزه) استفاده شده است. نتایج نشان میدهد در مدلسازی با شبکه عصبی پرسپترون چند لایه شاخص nse برابر 72/0 می‌باشد. همچنین، شاخص nse برای مدل‌های fcm-anfis و subtractive-anfis به ترتیب 84/0 و 8/0 بدست آمد. در مرحله بعد، به منظور افزایش دقت برآورد مدلها از روش موجک برای آماده سازی داده‌های ورودی استفاده شد. به همین منظور مدل‌های هیبریدی عصبی- موجک (wavelet-ann)، و مدل‌های هیبریدی انفیس- موجک که بر اساس ساختار کلاسهبندی شامل دو مدل مجزای fcm-wanfis و subtractive-wanfis می‌شود؛ برای توسعه مدل‌های پیشبینی جریان ماهانه زیرحوزه لیقوان به کار گرفته شد. در کاربرد تبدیل موجک گسسته، ابتدا موجک مادر مناسب و تعداد مراحل تجزیهی سیگنالهای ورودی به کمک آنالیز حساسیت تعیین شد. بدین منظور موجکهای مختلف و متداول sym2، sym3، haar، db3، db4 و coif1 مورد بررسی قرار گرفته و در نهایت موجک sym2 به عنوان مناسبترین موجک مادر با تعداد مراحل تجزیه 3 انتخاب شد. در مدل‌های توسعه یافته هیبریدی، شاخص nse مدل‌های wavelet-ann، subtractive-wanfis و fcm-wanfis به ترتیب برابر 87/0، 95/0 و 97/0 بدست آمد. نتایج بیانگر آن است که عملکرد مدل‌های انفیس بهتر از مدل‌های شبکه عصبی (ann) می‌باشد. همچنین، تجزیه سیگنال با استفاده از آنالیز موجکی گسسته باعث افزایش کارایی و دقت مدلها می‌شود. مضافا آنکه fcm-wanfis بهترین کارایی را در پیشبینی جریان حوزه لیقوان بخصوص در نقاط پیک جریان دارا است.
منابع مشابه
تولید مصنوعی جریان رودخانه با استفاده از شبکه‌های عصبی مصنوعی
در این مطالعه قابلیت مدل‌های شبکه عصبی مصنوعی در زمینه تولید مصنوعی جریان ارزیابی می‌شود. مدلی که برای تولید مصنوعی بکار رفته با ترکیب مدل شبکه عصبی و یک مؤلفه تصادفی با توزیع نرمال ایجاد شده است. در توسعه مدل از شبکه عصبی چند لایه تغذیه پیشرفتی با الگوریتم آموزشی انتشار برگشتی خطا استفاده شده است. بر این اساس مدل، سری‌های بلند مدت و تا 300 سال جریان مصنوعی روزانه در رودخانه خرسان را تنها با ...
متن کاملارزیابی مدل‌های هوش مصنوعی در مدلسازی جریان رودخانه، مطالعه موردی: رودخانه گاماسیاب
با پیشبینی جریان رودخانه‌ها علاوه بر مدیریت بهره‌برداری از منابع آب، می‌توان حوادث طبیعی نظیر سیل و خشکسالی را نیز پیشبینی و مهار کرد. استفاده از مدل‌های جدید در این زمینه می‌تواند به مدیریت و برنامه‌ریزی صحیح کمک کند. در این مطالعه، به ارزیابی سه مدل به نامهای، برنامه‌ریزی بیان ژن (GEP)، شبکه بیزین (BN) و ماشین بردار پشتیبان (SVM) پرداخته شده است. داده‌های مورد استفاده برای این پژ...
متن کاملتولید مصنوعی جریان رودخانه با استفاده از شبکه های عصبی مصنوعی
در این مطالعه قابلیت مدل‌های شبکه عصبی مصنوعی در زمینه تولید مصنوعی جریان ارزیابی می شود. مدلی که برای تولید مصنوعی بکار رفته با ترکیب مدل شبکه عصبی و یک مؤلفه تصادفی با توزیع نرمال ایجاد شده است. در توسعه مدل از شبکه عصبی چند لایه تغذیه پیشرفتی با الگوریتم آموزشی انتشار برگشتی خطا استفاده شده است. بر این اساس مدل، سری های بلند مدت و تا 300 سال جریان مصنوعی روزانه در رودخانه خرسان را تنها با اس...
متن کاملتشخیص بهتر آپاندیسیت حاد با استفاده از هوش مصنوعی
زمینه: آپاندیسیت حاد، شایع‌ترین علت مراجعۀ بیماران با دردهای شکمی به اورژانس بیمارستان‌ها و آپاندکتومی شایع‌ترین عمل جراحی اورژانس است. با وجود ابداع روشهای گوناگون تشخیصی، میزان آپاندکتومی غیرضروری قابل توجه است. استفاده از روشهای هوش مصنوعی و یادگیری ماشینی می‌تواند فرآیند تشخیص و درمان را بهبود بخشد. در این پژوهش از سیستم ماشین‌بردار پشتیبان جهت کمک به تشخیص آپاندیسیت حاد با هدف افزایش صح...
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 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 @}
نوع سند: پایان نامه
وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی خواجه نصیرالدین طوسی - دانشکده عمران
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023