مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

video

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

sound

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

نسخه انگلیسی

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

بازدید:

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

ارزیابی کارایی مدل LSTM در پیش بینی جریان روزانه ورودی به مخازن سدها

صفحات

 صفحه شروع 1863 | صفحه پایان 1883

چکیده

 پیش بینی زمان واقعی جریان روزانه ورودی به مخازن با افق پیشبینی چند گام جلوتر جهت برنامه ریزی و مدیریت منابع آب اهمیت زیادی دارد. با وجود مطالعات زیاد پیش بینی جریان با روش های یادگیری ماشین, مطالعات کمی برای بررسی قابلیت های پیش بینی طولانی مدت (چند گام جلوتر) این روش ها و به دست آوردن بینشی نسبت به مقایسه سامان مند عملکرد پیش بینی مدل در کوتاه مدت انجام شده است. در این پژوهش با استفاده از سامانه استنتاج عصبی-فازی تطبیقی (ANFIS) و شبکه حافظه کوتاه و بلند مدت (LSTM) پیش بینی جریان روزانه ورودی به مخزن سیمره تا 7 روز آینده انجام شد. برای این کار از داده های روزانه بارش, دما و جریان ورودی به سیمره از سال 1391 تا 1397 جهت انجام مدل سازی استفاده شده است. نتایج نشان داد که در پیش بینی روزانه چند گام جلوتر, عملکرد مدل LSTM بهتر از ANFIS است به طوری که بیشینه و کمینه مقدار ضریب نش در افق پیش بینی تا هفت روز آینده به ترتیب برای مدل LSTM برابر 971/0 و 628/0 و برای مدل ANFIS برابر 858/0 و 393/0 می باشد. تنظیم بهینه پارامترهای مربوط به تعداد نرون ها در هر لایه, تعداد تکرارها و تعداد دسته ها در مدل LSTM, کلیدی برای پتانسیل بالای مدل جهت پیش بینی جریان تا افق پیش بینی هفت روز آینده می باشد. درنهایت عملکرد LSTM جهت پیش بینی جریان ورودی به سیمره در سیلاب 98 ارزیابی و مشخص شد که جریان های سیلابی را با دقت قابل قبولی تا افق پیش بینی 7 روز آینده, پیش بینی کرده است. این یافته ها نشان می دهد که LSTM می تواند در پیش بینی جریان روزانه مناسب باشد. بنابراین برای کمک به تصمیم گیری های راهبردی در مدیریت منابع آب بخصوص در شرایط سیلابی می توان از آن بهره گرفت

چندرسانه ای

  • ثبت نشده است.

    • استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    مقالات مرتبط نشریه ای

  • ثبت نشده است.

    • مقالات مرتبط همایشی

  • ثبت نشده است.

    • طرح های مرتبط

  • ثبت نشده است.

    • کارگاه های پیشنهادی






    بازگشت به بالا
    email sharing button
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    sharethis sharing button