مدل سازی جریان روزانه رودخانه با استفاده از فرامدل های شبیه ساز (مطالعه موردی:رودخانه گاماسیاب)

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 291

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_ESTJ-22-4_010

تاریخ نمایه سازی: 18 مهر 1400

چکیده مقاله:

زمینه و هدف: هدف در ابتدا بیان نمودن تفاوت­ها و شناسایی۳ مدل به نام­های، برنامه ریزی بیان ژن (GEP)، شبکه عصبی – فازی (ANFIS)  و شبکه بیزین (BN) است و مقایسه آنها با یکدیگر و سوال اساسی تحقیق این است که ایا فرامدل­­ شبیه­ساز برتر در این مطالعه می­تواند در شرایط کمبود داده و اطلاعات، جایگزین مناسبی برای مدل­های مفهومی باشد. روش بررسی: داده­های مورد استفاده برای این پژوهش، داده­های بارش و جریان روزانه رودخانه گاماسیاب نهاوند در یک دوره ۱۰ ساله ۱۳۹۱-۱۳۸۱ می­باشد. برای مرحله پیش­بینی یا شبیه­سازی از داده­های سال آبی ۱۳۹۱-۱۳۹۰  استفاده شده است. یافته­ها: در مرحله آموزش و با توجه به ضریب تبیین و پارامتر جذر میانگین مربعات خطا و  معیار AIC، مشاهده می شود که در هر ۳ مدل، هم در مرحله آموزش و هم در مرحله تست شاهد اختلاف بسیار اندک در مقدار این پارامتر­ها هستیم و نتایج هر ۳مدل تقریبا با اختلاف بسیار اندک، نزدیک به هم است و تقریبا برتری نسبی مدل GEP را می­توان مشاهده کرد. بحث و نتیجه گیری: نتایج بیانگر آن است که  فرامدل[۱] شبیه ساز بیان ژن توانایی خوبی برای شبیه سازی و پیش بینی جریان روزانه رودخانه دارد و این فرامدل­­ شبیه­ساز، می­تواند در شرایط کمبود داده و اطلاعات، جایگزین مناسبی برای مدل­های مفهومی باشد. علاوه بر این سرعت اجرای مدل برنامه­ریزی بیان ژن نسبت به بقیه مدل ها بیشتر بوده و در زمان کوتاهی قادر به ارائه نتایج بوده است. [۱]- Meta Model

نویسندگان

معصومه زینعلی

دانشجوی دکتری منابع آب، گروه مهندسی آبیاری و آبادانی؛ پردیس کشاورزی و منابع طبیعی دانشگاه تهران؛ کرج؛ ایران.

محمدرضا گلابی

دکترای منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز، ایران. (نویسنده مسئول)

محمد حسین نیک سخن

دانشیار دانشکده محیط زیست، دانشگاه تهران، ایران.

محمد رضا شریفی

استادیار دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز، 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 :
  • Ghorbani, M, A., Kisi, O., Aalinezhad, M, A., ۲۰۱۰. A ...
  • DanandehMehr, A., Kahya, E. and Yerdelen, C., ۲۰۱۴. Linear Genetic ...
  • Shoaib, M., Shamseldin, A. Y., Melville, B. W., and Khan, ...
  • Karimi, S., Shiri, J., Kisi, O., and Shiri, A.A., ۲۰۱۵. ...
  • Singh, G., Panda, R. K., and Lamers, M., ۲۰۱۵. Modeling ...
  • Noori, N., Kalin, L., ۲۰۱۶. Coupling SWAT and ANN models ...
  • Ghorbani, M. A., Dehghani, R., ۲۰۱۵. Application of Bayesian Neural ...
  • Naeimi Kalourazi, Z., Ghorbani, Kh., Salarijazi, M., Dehghani, A.A., ۲۰۱۶. ...
  • Moatamednia, M., Nohegar, A., Malekian, A., Saberi, M., Karimi, K., ...
  • Ross, T. J., ۱۹۹۵. Fuzzy logic with engineering application. McGraw ...
  • Jang, J.S.R., Sun, C. T., and Mizutani, E., ۱۹۹۷. Neuro-Fuzzy ...
  • Meshkani, A., Nazemi, A., ۲۰۰۹. Introduction to Data Mining. Ferdowsi ...
  • Singh, VIP., Translation: Najafi, M.R., ۲۰۰۲. Hydrological systems of rainfall-runoff ...
  • Danandehmehr, A., Majdzadeh Tabatabai, M. R., ۲۰۱۰. Prediction of Daily ...
  • Ferreira, C., ۲۰۰۶. Gene Expression Programming: Mathematical Modeling by an ...
  • Ferreira, C., ۲۰۰۱. Gene expression programming: a new adaptive algorithm ...
  • MacKay, D.J.C., ۱۹۹۲. A Practical Bayesian Framework for Backpropagation Networks ...
  • Kingston, G. B., ۲۰۰۵. Lambert M F and Maier H ...
  • Nash, J. E., and Sutcliffe, J.V., ۱۹۷۰. River flow forecasting ...
  • نمایش کامل مراجع