کاربرد ماشین های بردار پشتیبان در پیش بینی جریان ورودی مخازن و عملکرد بهینه آن

پایان نامه
  • وزارت علوم، تحقیقات و فناوری - دانشگاه صنعتی اصفهان - دانشکده عمران
  • نویسنده حسام کیانی فلاورجانی
  • استاد راهنما کیوان اصغری
  • تعداد صفحات: ۱۵ صفحه ی اول
  • سال انتشار 1388
چکیده

بشر در همه زمان ها نیاز انکارناپذیری به آب داشته و همواره در صدد مهار و استفاده صحیح تر از آن بوده است. با گذشت زمان به علت تقاضای روزافزون آب، سیستم های منابع آب موجود با فشار بیشتری مواجه خواهند بود. بنابراین برای رسیدن به اهداف توسعه، مدیریت هدفمند منابع آب بیش از پیش مورد نیاز است. در بهره برداری از منابع آب های سطحی یکی از مهم ترین مباحث، مدیریت در مخازن سدها است. این پایان نامه در راستای همین امر تهیه و تدوین شده است. در این پژوهش با نگرشی به آینده روشی معرفی شده است تا بر اساس آن بتوان در زمان های آتی بهره برداری از سیستم های چندمخزنه را به شکل به هنگام انجام داد. به منظور تحقق این امر الگوریتم بهینه سازی جستجوی هارمونی (hs) و روش داده محور ماشین های بردار پشتیبان (svm) مورد استفاده قرار گرفته اند. الگوریتم hs یکی از روش های نوین بهینه سازی فراکاوشی است که به واسطه عملکرد موفق آن در سال های اخیر مورد توجه قرار گرفته است. روش داده محور svm با تکیه بر اصل کمینه سازی ریسک ساختاری، به عنوان روشی قدرتمند در یادگیری معرفی شده است. در راستای اهداف پایان نامه با استفاده از تکنیک های ذکر شده دو مدل بهره برداری به هنگام از سیستم چندمخزنه زاینده رود توسعه داده شده است. تفاوت اساسی این مدل ها در بررسی تاثیر نوسانات اقلیمی، مبنای نامگذاری آن ها با عناوین غیراقلیمی و اقلیمی می باشد. هر یک از مدل های بهره برداری توسعه داده شده در یک فرایند دو مرحله ای نحوه بهره برداری از مخازن موجود در سیستم را تعیین می کنند. در مرحله اول مقادیر خروجی بهینه با استفاده از الگوریتم hs در یک دوره بلندمدت آماری (44 ساله) تعیین می گردد. در مرحله دوم مدل یادگیری توسعه داده شده به کمک روش svm با استفاده از مقادیر خروجی بهینه به دست آمده از مرحله اول به نحوی آموزش داده می شود که بتواند با استفاده از داده های معلوم گذشته مقدار بهینه خروجی را در آینده مشخص کند. اطلاعات موثر جهت آموزش مدل های پیشنهادی شامل پارامترهای رواناب ورودی، نیاز ماهانه و حجم اولیه مخزن می باشد. نزدیکی مقادیر خطای محاسبه شده مدل های مذکور در مراحل آموزش و آزمون نشان دهنده عمومیت پذیری بالای این دو مدل است. استفاده از متغیرهای مشخص کننده وضعیت اقلیم در بردار ورودی مدل اقلیمی، سبب کاهش میزان خطا (rmse) و درنتیجه بهبود نتایج آن نسبت به مدل غبراقلیمی می شود. درانتها جهت ارزیابی کارآیی مدل های معرفی شده، عملکرد آن ها در بهره برداری از سیستم برای دوره آماری 44 ساله شبیه سازی شده است. در این راستا از نتایج شبیه سازی عملکرد مخازن با استفاده از منحنی فرمان میانگین و همچنین نتایج بهینه سازی بلندمدت به عنوان معیارهای مقایسه استفاده شده است. مدل های اقلیمی و غیر اقلیمی از نقطه نظر کاهش شدت کمبودها به ترتیب به 95درصد و 91درصد نتایج بهینه سازی بلندمدت دست یافته اند. این نتایج در مقایسه با نتایج حاصل از منحنی فرمان میانگین (80 درصد نتایج بهینه سازی بلندمدت)، حکایت از برتری مدل های توسعه داده شده در این تحقیق دارد.

۱۵ صفحه ی اول

برای دانلود 15 صفحه اول باید عضویت طلایی داشته باشید

اگر عضو سایت هستید لطفا وارد حساب کاربری خود شوید

منابع مشابه

توانایی ماشین بردار پشتیبان در پیش بینی درماندگی مالی

درماندگی مالی پیش از ورشکستگی مالی رخ می‌دهد و پیش بینی موثر آن یک مسئله‌ی مهم و چالش برانگیز برای شرکت‌ها می‌باشد. تحقیق حاضر به پیش بینی درماندگی مالی در قالب مدل ماشین بردار پشتیبان و با استفاده از ترکیبات جریان نقد می‌پردازد. اهمیت ابزارهای داده کاوی، و توانایی این ابزارها در پیش بینی و طبقه بندی متغیرها، استفاده از آن‌ها را در مباحث مختلف مالی از جمله پیش بینی ورشکستگی، پیش بینی درماندگی م...

متن کامل

استفاده 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 کامل

پیش بینی ژن‏ های بیماری با استفاده از دسته‏ بند تک‌کلاسی ماشین بردار پشتیبان

Abstract: In disease gene identification and classification, users are only interested in classifying one specific class, disease genes, without considering other classes (non-disease genes). This situation is referred to as one-class classification. Existing machine learning-based methods typically use known disease gene as positive training set and unknown genes as negative training set to bu...

متن کامل

کارایی مدل های ماشین بردار پشتیبان و برنامه ریزی بیان ژن در پیش بینی عملکرد محصول زعفران

با توجه به حساسیت عملکرد زعفران و تاثیرپذیری آن از پارامترهای اقلیمی و خاصیت غیرخطی توابع عملکرد گیاهی، در این تحقیق به پیش‌بینی عملکرد زعفران پرداخته شد. هدف از انجام این مطالعه، توانایی مدل شبیه‌سازی ماشین بردار پشتیبان(lssvm) و مدل برنامه‌ریزی بیان ژن(GenXproTools5,0 )در پیش‌بینی عملکرد زعفران براساس داده‌های هواشناسی(حداقل دما، حداکثر دما، بارش، تبخیر و رطوبت نسبی،عملکرد یکسال قبل) در مقیاس...

متن کامل

توانایی ماشین بردار پشتیبان در پیش بینی درماندگی مالی

درماندگی مالی پیش از ورشکستگی مالی رخ می دهد و پیش بینی موثر آن یک مسئله ی مهم و چالش برانگیز برای شرکت ها می باشد. تحقیق حاضر به پیش بینی درماندگی مالی در قالب مدل ماشین بردار پشتیبان و با استفاده از ترکیبات جریان نقد می پردازد. اهمیت ابزارهای داده کاوی، و توانایی این ابزارها در پیش بینی و طبقه بندی متغیرها، استفاده از آن ها را در مباحث مختلف مالی از جمله پیش بینی ورشکستگی، پیش بینی درماندگی م...

متن کامل

پیش بینی قیمت تسویه در بازار برق: الگوریتم ماشین بردار پشتیبان بهبودیافته

با تشکیل بازار برق ایران در سال 1382، تولیدکنندگان انرژی با ثبت پیشنهاد قیمت خود به‌صورت روزانه در سامانه مدیریت شبکه، با یکدیگر به رقابت می‌پردازند.در این رقابت تنها تولیدکنندگانی پیروز هستند که قیمت پیشنهادی آن‌ها پایین‌تر از قیمت تسویه بازار در ساعات روز بعد باشد، ازاین‌رو پیش‌بینی قیمت تسویه بازار در روز بعد برای تولیدکنندگان انرژی امری حیاتی بوده و در کسب هر چه بیشتر سهم بازار برق ایران به...

متن کامل

منابع 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 اصفهان - دانشکده عمران

میزبانی شده توسط پلتفرم ابری doprax.com

copyright © 2015-2023