تخمین بارش روزانه با استفاده از مدل های ترکیبی ANFIS آموزش داده شده توسط روش خوشه بندی میانگین هایc فازی و الگوریتم های تکاملی

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 285

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JEWE-7-2_006

تاریخ نمایه سازی: 20 مرداد 1400

چکیده مقاله:

امروزه به­دلیل وجود عدم قطعیت بالا در تخمین بارش در مناطق مختلف جغرافیایی، به کارگیری روش های هوش محاسباتی بر مبنای الگوریتم های بهینه ساز جهت تخمین دقیق بارش­های روزانه مورد توجه مهندسین آب قرار گرفته است. در پژوهش حاضر، از سیستم تطبیقی فازی عصبی استنتاجی  (ANFIS)به­همراه تبدیل موجک (W) به عنوان پیش­پردازشگر داده های بارش روزانه  جهت تخمین مقادیر، مورد استفاده قرار گرفت. ساختار مدل ترکیبی W-ANFIS با استفاده از روش خوشه بندی میانگین های c فازی (FCM) در مرحله آموزش توسعه داده شد. همچنین، ضرایب ثابت توابع عضویت موجود در مدل ANFIS با به کارگیری چهار الگوریتم بهینه ساز وراثتی (GA)، ازدحام ذرات (PSO)، تکامل تفاضلی (DE) و جامعه مورچگان  (ACO)بهینه شدند. در این پژوهش، آمار بارندگی دوره yr ۱۱ حوضه ازمیر واقع در غرب کشور ترکیه استفاده شد. با به کارگیری پنج تاخیر زمانی در آمار بارش روزانه و همچنین تجزیه­شدن هر یک از تاخیرهای زمانی در سه سطح حاصل از تبدیل موجک، هر یک از مدل های بهینه W-ANFIS دارای ۲۰ متغیر ورودی شدند. نتایج حاصل از آنالیز آماری مراحل آموزش و آزمایش با استفاده از پارامترهای ریشه میانگین مربعات خطا (RMSE) و خطای مطلق میانگین (MAE) نشان دادند که کاربرد الگوریتم تکامل تفاضلی  در ساختار مدل W-ANFIS با داشتن RMSE و MAE برابر با  ۲۲/۲۲ وmm  ۱۱/۱۷ در مقایسه با سایر مدل های ترکیبی حاصل از PSO (۱۱/۲۸ و mm ۱۱/ ۲۴)، ACO (۴۱/۳۰ و  mm۵۰/۲۶) و GA (۱۱/۱۸ وmm  ۷۰/۲۵) از دقت بالایی برخوردار می باشد.

نویسندگان

محمد نجف زاده

استادیار، گروه مهندسی آب، دانشکده مهندسی عمران و نقشه برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران

دیاکو افروزی

کارشناس ارشد، گروه مهندسی آب، دانشکده مهندسی عمران و نقشه برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران

علی برزکار

کارشناس ارشد، گروه مهندسی آب، دانشکده مهندسی عمران و نقشه برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Abbot, J. and Marohasy, J. (۲۰۱۴). Input selection and optimisation ...
  • Afsahr, A., Emami Skardi, M. J. and Jeirani, F. (۲۰۱۵). ...
  • Hardwinarto, S., and Aipassa, M., (۲۰۱۵). Rainfall monthly monthly prediction ...
  • Hashemi Jowkar, M. (۲۰۱۲). Determination of inflation parameters (inflation percentage ...
  • Hawangy, R. (۲۰۱۷). Positioning of autonomous robots based on differential ...
  • He, Z., Wen, X., Liu, H. and Du, J., (۲۰۱۴). ...
  • Hoseynipoor, A. (۲۰۱۵). Prediction of short-term load in Kerman region ...
  • Keshawarzmehr, M. (۲۰۱۲). Neural networks, fuzzy logic and genetic algorithm ...
  • Kisi, O. and Shiri, J. (۲۰۱۱). Precipitation forecasting using wavelet-genetic ...
  • Kisi, O. and Cimen, M., (۲۰۱۲). Precipitation forecasting using wavelet-support ...
  • Malakmohammady, M., and Nasrollahi, M. (۲۰۱۶). Comparison of the efficiency ...
  • Naeeni, S. (۲۰۱۱). Comparison of two reduction clustering algorithms and ...
  • Nikam, V. and Gupta, K. (۲۰۱۳). SVM-based model for short-term ...
  • Phukoetphim, P., Shamseldin, A. Y. and Adams, K. (۲۰۱۶). Multimodel ...
  • Sarzaeim, P., Bozorg-Haddad, O., Bozorgi, A. and Loáiciga, H. A. ...
  • Sehgal, V., Sahay, R. R. and Chatterjee, C. (۲۰۱۴). Effect ...
  • Tropsha A., Gramatica P., and Gombar V. K. (۲۰۰۳). The ...
  • نمایش کامل مراجع