پیش بینی دبی جریان با استفاده از روش رگرسیون خطی پایه موجکی چند متغیره و سیستم استنتاج عصبی-فازی تطبیقی پایه موجکی
پایان نامه
- وزارت علوم، تحقیقات و فناوری - دانشگاه شهید باهنر کرمان - دانشکده فنی
- نویسنده میلاد فتحی زاده
- استاد راهنما مسعودرضا حسامی کرمانی
- سال انتشار 1394
چکیده
چکیده جریان رودخانه ها یکی از مهمترین مولفه های چرخه ی هیدرولوژیکی هستند که هر تغییر در آن می تواند بر دیگر قسمت های چرخه و همچنین بر روی تمام سازه های ساخت بشر مرتبط با آن اثر بگذارد. پیش بینی دقیق دبی برای طراحی و ساخت سازه های هیدرولیکی نظیر سدها، آب-بندها، کانال ها و پل ها بسیار ضروری و مهم است. در این تحقیق، برای پیش بینی دقیق دبی سیلاب از دو روش، رگرسیون خطی پایه موجکی (wr) و سیستم استنتاج فازی-عصبی تطبیقی پایه موجکی (wanfis)، استفاده شده است. مدل wr از ترکیب دو روش، انتقال گسسته ی موجک و رگرسیون خطی، بدست می آید. همچنین مدل wanfis، از ترکیب دو روش، انتقال گسسته ی موجک و سیستم استنتاج فازی-عصبی تطبیقی، حاصل می شود. داده-های دبی روزانه ی ایستگاه رودخانه ی پلرود در استان گیلان در شمال ایران به عنوان ورودی به این مدل ها اعمال شده است. نتایج بدست آمده از هر دسته از مدل ها با استفاده از شاخص های آماری rmse، mae، r2 و se با یکدیگر مقایسه شدند. همچنین، نتایج مقایسه آشکار می کند که، مدل هایی که در پیش پردازش داده های دبی ورودی آن ها از انتقال گسسته ی موجک استفاده شده است، نسبت به مدل هایی که داده های دبی ورودی آن ها بدون پیش پردازش با استفاده از انتقال گسسته ی موجک مورد استفاده قرار گرفته است، دقت بیشتری دارند. با توجه به شاخص های آماری، می توان گفت مدل های wanfis عملکرد نسبتا بهتری را نسبت به مدل های wr نشان می دهند، هرچند در شبیه سازی هیدروگراف جریان هر دو مدل به یکدیگر خیلی نزدیک هستند. واژه های کلیدی: دبی جریان، رگرسیون خطی پایه موجکی، رودخانه ی پلرود، سیستم استنتاج عصبی-فازی پایه موجکی، مدل سازی و پیش بینی.
منابع مشابه
پیش بینی جریان رودخانه با استفاده از سیستم استنتاج فازی
یکی از روشهای نو ظهور در حل مسایل مهندسی جهت مدلسازی سیستمهایی که دارای پیجیدگی زیاد یا عدم صراحت بوده و یا دادههای کافی از آنها موجود نیست، استفاده از تئوری مجموعههای فازی از جمله سیستم میباشد. مزیت اصلی این تکنیک نسبت به استنتاج فازی روشهای رایج، این است که این سیستم بر اساس قواعد اگر- آنگاه بنا نهاده شده است و قادر به تعیین ارتباط بین متغیرهای ورودی و خروجی با استفاده از قواعد مزبو...
متن کاملپیش¬بینی جریان روزانه با استفاده از شبکه¬های عصبی مصنوعی و عصبی- موجکی (مطالعه موردی: رودخانه باراندوزچای)
پیشبینی دقیق جریان در رودخانهها یکی از مهمترین ارکان در مدیریت منابع آبهای سطحی به ویژه جهت اتخاذ تدابیر مناسب در مواقع سیلاب و بروز خشکسالیها است. به دلیل اهمیت پیشبینی جریان رودخانه، در این تحقیق جریان روزانه رودخانهی باراندوزچای در دو ایستگاه بیبکران و دیزج طی یک دورهی آماری 20 ساله با استفاده از مدل عصبی- موجکی (WNN) که تلفیق آنالیز موجک و شبکه عصبی مصنوعی (ANN) میباشد، پیشبینی گرد...
متن کاملپیش بینی جریان رودخانه با استفاده از سامانه استنتاج فازی(FIS) وسامانه استنتاج فازی- عصبی تطبیقی(ANFIS)
این مقاله فاقد چکیده میباشد.
متن کاملمدلسازی بارش- رواناب با سیستم استنتاج فازی- عصبی تطبیقی (ANFIS) و رگرسیون خطی چندمتغیره (MLR)
در این پژوهش، کارآیی سیستم فازی- عصبی برای برآورد رواناب ناحیه کوهستانی حوضه هراز مورد ارزیابی قرار گرفت. هدف ایجاد مدلی با توابع و درجه عضویت مناسب است که بتواند رابطه بارندگی- رواناب را در یک حوضه بهدرستی برقرار کند. بدین منظور برای پیشبینی رواناب، 44 ترکیب مختلف از پارامترهای بارندگی، دما، تبخیر، دبی جریان و شاخص بارش پیشین با تأخیر زمانی بین آنها بهصورت روزانه طی دوره 32 سال آماری وارد م...
متن کاملپیش بینی جریان رودخانه با استفاده از سیستم استنتاج فازی
یکی از روشهای نو ظهور در حل مسایل مهندسی جهت مدل سازی سیستم هایی که دارای پیجیدگی زیاد یا عدم صراحت بوده و یا داده های کافی از آنها موجود نیست، استفاده از تئوری مجموعه های فازی از جمله سیستم می باشد. مزیت اصلی این تکنیک نسبت به استنتاج فازی روش های رایج، این است که این سیستم بر اساس قواعد اگر- آن گاه بنا نهاده شده است و قادر به تعیین ارتباط بین متغیرهای ورودی و خروجی با استفاده از قواعد مزبو...
متن کاملپیش بینی پارامترهای کیفی (NO3 ,DO) رودخانه کرج با استفاده از مدل های ANN، MLR و تلفیق شبکه عصبی-موجکی بر پایه نویززدایی
Background & Objectives: The prediction and quality control of the Karaj River water, as one of the important needed water supply sources of Tehran, possesses great importance. In this study, performance of artificial neural network (ANN), combined wavelet-neural network (WANN), and multi linear regression (MLR) models were evaluated to predict next month nitrate and dissolved oxygen of “Pole K...
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 باهنر کرمان - دانشکده فنی
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023