کاربرد روشهای سری زمانی، شبکه عصبی و رگرسیون در پیش بینی جریان ورودی به مخزن سد دز
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه شهید چمران اهواز - دانشکده مهندسی علوم آب
- نویسنده امیر پورحقی
- استاد راهنما فریدون رادمنش علی محمد آخوندعلی حسن ترابی پوده
- سال انتشار 1392
چکیده
امروزه یکی از مهمترین مسائل در برنامه ریزی و مدیریت منابع آب، پیش بینی میزان جریان رودخانه در نقطه مشخصی از آن می باشد. شبیه سازی و مدیریت آبهای سطحی می تواند کمک شایانی در مدیریت آب کشاورزی، سیلاب و خشکسالی داشته باشد. آگاهی داشتن از حجم جریان ورودی به مخازن سدها در دوره های زمانی آینده، از مهمترین و ارزشمندترین اطلاعاتی است که به سیاستگذاری برنامه ریزان در مدیریت و تخصیص منابع آب کمک می کند. این تحقیق به منظور مدلسازی میزان جریان ورودی به مخزن سد دز با مدل های سری زمانی، شبکه عصبی و رگرسیون انجام شده است. جهت مدلسازی با روش شبکه عصبی مصنوعی، داده های آبدهی و بارش ماهانه به عنوان ورودی و آبدهی ماه اجرای مدل به عنوان خروجی شبکه در نظر گرفته شد و بعد از برازش مدل های مختلف شبکه عصبی، مدل مناسب جهت پیش بینی جریان انتخاب گردید. در روش رگرسیون از پارامترهای آبدهی، بارش، دما و رطوبت برای پیش بینی جریان استفاده شد. همچنین با برازش مدل های مختلف باکس جنکینز، مدل 12(1،1،0)×(0،1،5) انتخاب شد. در نهایت نتایج نشان داد که مدل شبکه عصبی مصنوعی از کارایی بهتری نسبت به مدل های باکس جنکینز و رگرسیون خطی برخوردار است.
منابع مشابه
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 ...
متن کاملمقایسه 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 مدل های استاتیک و دینامیک در شبکه های عصبی مصنوعی صورت نگرفته است. ضمناً تحقیق حاضر از حیث خودهمبستگی مدل شبکه عصبی مصنوعی، دارای نوآوری می باشد. در این تحقیق آبدهی های ماهانه بین ...
متن کاملاستفاده از مدل های سری زمانی، شبکه عصبی و ماشین بردار پشتیبان جهت پیش بینی دبی ورودی به سد گرگان
پیشبینی مقادیر جریان ورودی به سیستم منابع آب بهمنظور آگاهی از شرایط آینده و برنامهریزی برای تخصیص بهینه منابع آب به بخشهای مختلف از قبیل شرب، کشاورزی و صنعتی امری ضروری در مدیریت منابع آب میباشد. هدف از پژوهش حاضر پیشبینی مقادیر دبی ماهانه ورودی به سد گرگان برای آینده بود. بدین منظور از دادههای هیدرومتری ایستگاه قزاقلی با دوره آماری 47 سال و سه مدل سریزمانی، شبکه عصبی و ماشین بردار پشت...
متن کاملکاربردهای شبکه های عصبی در پیش بینی سری های زمانی
استفاده از روش های غیر کلاسیک در شناسایی مدل و پیش بینی رفتار سیستم های پیچیده، مدتهاست در محافل علمی و حتی حرفه ای متداول و معمول شده است. در بسیاری از سیستم های پیچیده و خصوصا غیر خطی که مدل سازی و به دنبال آن پیش بینی و کنترل آنها از طریق روش های کلاسیک و تحلیلی امری بسیار دشوار و حتی بعضا غیر ممکن می نماید، از روش های غیر کلاسیک که از ویژگی هایی همچون هوشمندی، مبتنی بر معرفت و خبرگی برخوردا...
متن کاملمقایسۀ مدلهای سری زمانی فصلی، دوخطی BL و غیرخطی آستانۀ SETAR در پیشبینی جریان ماهانۀ ورودی به مخزن سد مارون
در پژوهش حاضر از مدلهای سری زمانی فصلی SARIMA، هالت- وینترز، مدلهای دوخطی BL و مدل دورژیمی غیرخطی خودهمبستگی آستانۀ SETAR برای پیشبینی جریان ماهانۀ ورودی به مخزن سد مارون استفاده شده است. به این منظور، از دادههای ایستگاه آبسنجی ایدنک واقع در استان خوزستان با طول دورۀ آماری 34 سال طی سالهای 1361 تا 1394 استفاده شده است. از تبدیل لگاریتمی برای نرمالسازی دادههای شدت جریان ماهانۀ ایستگاه ه...
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 شهید چمران اهواز - دانشکده مهندسی علوم آب
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023