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:

273
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

دانلود:

526
مرکز اطلاعات علمی Scientific Information Database (SID) - Trusted Source for Research and Academic Resources

استناد:

اطلاعات مقاله نشریه

عنوان

ارزیابی قابلیت روش تجزیه متعامد سره جهت تعیین ورودی به مدل شبکه عصبی برای پیش بینی جریان ماهانه ورودی به سد علویان

صفحات

 صفحه شروع 375 | صفحه پایان 387

چکیده

 زمینه و هدف سدها به عنوان یکی از اساسی ترین منابع تامین آب شرب, کشاورزی, برق آبی و صنعتی از نقش مهمی در توسعه جوامع انسانی و محیط زیست اطراف خود برخوردارند. بنابراین با توجه به نقش اساسی سدها در پویایی محیط اطراف خود, برآورد جریان ورودی به آن ها از اهمیت ویژه ای برخوردار بوده و از ابزارهای مهم و موثر در مدیریت بهینه کمی و کیفی منابع آب است. روش بررسی در این تحقیق سعی شده تا با استفاده از مدل هوش مصنوعی شبکه عصبی مصنوعی (ANN) اقدام به مدل سازی جریان ماهانه رودخانه صوفی چای, ورودی به سد علویان, گردد. همچنین به منظور بهبود عملکرد مدل مذکور و با توجه به اطلاعات زیاد ورودی به این مدل, از روش تجزیه متعامد سره (POD) به منظور تعیین بهترین الگوی ورودی به مدل ANN استفاده گردید. در نهایت نیز عملکرد دو مدل ANN و مدل ترکیبی POD-ANN بر پایه آماره های ضریب تعیین (R2), میانگین خطای مطلق (MAE) و میانگین قدرمطلق خطای نسبی (AARE) مورد ارزیابی قرار گرفت. یافته ها: نتایج این تحقیق مشخص نمود که اگرچه مقادیر پیش بینی شده دبی ورودی به مخزن سد توسط مدل ANN نزدیک به مقادیر مشاهده ای هستند اما عملکرد آن در نقاط با دبی بالا با خطای قابل توجهی همراه است. همچنین یافته های این تحقیق حاکی از عملکرد بهتر مدل POD-ANN نسبت به مدل ANN در نقاط با دبی بالا بود. در حالت کلی نتایج به دست آمده از مدل POD-ANN اجرا شده مشخص نمود که مقدار آماره های R2, MAE و AARE مدل در هر دو مرحله واسنجی و صحت سنجی بهبود قابل توجهی نسبت به مقادیر مشابه در مدل ANN داشته اند. مقدار آماره های R2, MAE و AARE در مرحله صحت سنجی POD-ANN به ترتیب معادل 93/0, 79/0 و 54/0 بود. بحث و نتیجه گیری: عملکرد بهتر مدل POD-ANN در دبی با مقادیر بالا نسبت به مدل ANN می تواند به دلیل عمل پیش پردازش بر روی متغیرهای ورودی و کاهش تعداد آن ها در مدل POD-ANN در مقایسه با مدل ANN باشد. بنابراین می توان نتیجه گیری نمود که عمل پیش پردازش بر روی متغیرهای ورودی به مدل ANN و کاهش تعداد متغیرهای ورودی به این مدل همراه با بهبود عملکرد آن بوده است.

استنادها

  • ثبت نشده است.

    • ارجاعات

  • ثبت نشده است.

    • استناددهی

    APA: کپی

    معظمی، صابر، وصالی ناصح، محمدرضا، اکبرزاده، عباس، و نوری، روح اله. (1399). ارزیابی قابلیت روش تجزیه متعامد سره جهت تعیین ورودی به مدل شبکه عصبی برای پیش بینی جریان ماهانه ورودی به سد علویان. علوم و تکنولوژی محیط زیست، 22(7 (پیاپی 98) )، 375-387. SID. https://sid.ir/paper/403717/fa

    Vancouver: کپی

    معظمی صابر، وصالی ناصح محمدرضا، اکبرزاده عباس، نوری روح اله. ارزیابی قابلیت روش تجزیه متعامد سره جهت تعیین ورودی به مدل شبکه عصبی برای پیش بینی جریان ماهانه ورودی به سد علویان. علوم و تکنولوژی محیط زیست[Internet]. 1399؛22(7 (پیاپی 98) ):375-387. Available from: https://sid.ir/paper/403717/fa

    IEEE: کپی

    صابر معظمی، محمدرضا وصالی ناصح، عباس اکبرزاده، و روح اله نوری، “ارزیابی قابلیت روش تجزیه متعامد سره جهت تعیین ورودی به مدل شبکه عصبی برای پیش بینی جریان ماهانه ورودی به سد علویان،” علوم و تکنولوژی محیط زیست، vol. 22، no. 7 (پیاپی 98) ، pp. 375–387، 1399، [Online]. Available: https://sid.ir/paper/403717/fa

    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
    telegram sharing button
    whatsapp sharing button
    linkedin sharing button
    twitter sharing button
    email sharing button
    email sharing button
    email sharing button
    sharethis sharing button