زهرا عبداللهی؛ عطااله کاویان؛ کاکا شاهدی؛ ندا عبداللهی؛ محمد جعفری
چکیده
توسعه تکنیک های مختلف جهت پیش بینی کوتاه مدت و بلند مدت دبی ساعتی، روزانه، ماهانه و سالانه جریان به منظور مدیریت منابع آب و پروژههای عمرانی سابقه طولانی دارد. در دهه های اخیر، تکنیک های یادگیری متعددی به طور گسترده جهت پیش بینی دبی و سایر متغیرهای هیدرولوژیک مورد توجه قرار گرفته اند. پژوهش حاضر با هدف پیش بینی مقادیر دبی روزانه با ...
بیشتر
توسعه تکنیک های مختلف جهت پیش بینی کوتاه مدت و بلند مدت دبی ساعتی، روزانه، ماهانه و سالانه جریان به منظور مدیریت منابع آب و پروژههای عمرانی سابقه طولانی دارد. در دهه های اخیر، تکنیک های یادگیری متعددی به طور گسترده جهت پیش بینی دبی و سایر متغیرهای هیدرولوژیک مورد توجه قرار گرفته اند. پژوهش حاضر با هدف پیش بینی مقادیر دبی روزانه با استفاده از بهینه ترین تعداد داده های ورودی در رودخانه منتهی به رود تالار واقع در حوزه آبخیز کسیلیان انجام گرفت. بدین منظور از سه مدل ثابت (conll.c)، خطی ((linll.c و درجه دو ((quall.c الگوریتم یادگیری محلی کندرو که از کارایی قابل توجهی در شبیه سازی پارامترهای متغیر با داده های ورودی کم برخوردار هستند و هم چنبن با استفاده از سری داده های ورودی 6، 8، 10، 15، 20 روز قبل، یک و دو ماه قبل، یک، دو و سه فصل قبل و در نهایت یک و دو سال قبل استفاده گردید. نتایج به دست آمده از چندین هزار مدل تعلیمی تهیه شده نشان داد که مدل ثابت با داده های دبی روزانه ی 60 روز گذشته با حداقل خطای 001/0 به مقدار واقعی نزدیک تر بوده است. نتایج به دست آمده از مقادیر محاسبه شده RMSE و MAE حاکی از آن است که الگوریتم یادگیری محلی کندرو علی-رغم محدودیت های موجود از جمله حساسیت بسیار بالا به همسایگی، از کارایی بالایی در شبیه سازی سری های زمانی با خطای نسبتاً پایین (RMSE کمتر از 06/0) برخوردار می باشد.
رضا زمانی؛ فرشاد احمدی؛ فریدون رادمنش
چکیده
امروزه پیشبینی جریان روزانه رودخانهها ار مباحث مهم در هیدرولوژی و منابع آب میباشد و میتوان از نتایج الگوبندی جریان روزانه رودخانه در مدیریت منابع آب، خشکسالیها و سیلابها استفاده کرد. با توجه به اهمیت این موضوع، در این پژوهش با استفاده از روشهای سری زمانی خطی، غیرخطی و الگوهای هوش مصنوعی (شبکه عصبی و برنامهریزی بیان ...
بیشتر
امروزه پیشبینی جریان روزانه رودخانهها ار مباحث مهم در هیدرولوژی و منابع آب میباشد و میتوان از نتایج الگوبندی جریان روزانه رودخانه در مدیریت منابع آب، خشکسالیها و سیلابها استفاده کرد. با توجه به اهمیت این موضوع، در این پژوهش با استفاده از روشهای سری زمانی خطی، غیرخطی و الگوهای هوش مصنوعی (شبکه عصبی و برنامهریزی بیان ژن) به الگوبندی جریان روزانه رودخانه کارون در محل ایستگاه آبسنجی ارمند طی دوره آماری (1390-1360) پرداخته شده است. حوضه بالادست ایستگاه ارمند از جمله زیرحوضه های اصلی حوضه کارون شمالی است که شامل چهار زیرحوضه ونک، کارون میانی، بهشت آباد و کوهرنگ است. نتایج این پژوهش نشان داده است که الگوهای هوش مصنوعی دارای برتری نسبت به الگوی غیرخطی و خطی سری زمانی در الگوبندی جریان روزانه رودخانه کارون میباشند. همچنین الگوبندی و مقایسه الگوهای هوش مصنوعی نیز نشان داد که روش برنامهریزی بیان ژن دارای معیارهای ارزیابی مناسبتری نسبت به روش شبکه عصبی مصنوعی میباشد.