ارزیابی مدل های هیبریدی فراکاوشی در شبیه سازی جریان رودخانه ها :مطالعه موردی: رودخانه کشکان لرستان

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 153

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_HYD-8-29_004

تاریخ نمایه سازی: 19 دی 1401

چکیده مقاله:

امروزه مدل­های هیبریدی هوش مصنوعی به عنوان یک روش مناسب برای شبیه­سازی پدیده­های هیدرولوژیکی از جمله برآورد کمی جریان رودخانه ها مطرح است. بدین منظور جهت برآورد میزان آبدهی رودخانه ها رویکردهای متنوعی در هیدرولوژی وجود دارد که مدل های هوش مصنوعی از مهم ترین آن ها می باشد.  بنابراین در این پژوهش عملکرد مدل­های رگرسیون بردار پشتیبان_ موجک، رگرسیون بردار پشتیبان_گرگ خاکستری و رگرسیون بردار پشتیبان_خفاش جهت شبیه­سازی دبی رودخانه کشکان واقع در استان لرستان طی دوره­ی آماری ۱۳۹۹-۱۳۸۹ در مقیاس زمانی روزانه­ی مورد تجزیه و تحلیل قرار گرفت. معیارهای ضریب همبستگی، ریشه­ی میانگین مربعات خطا و میانگین قدر مطلق خطا و بایاس برای ارزیابی و عملکرد مدل ها انتخاب شد. نتایج نشان داد الگوهای ترکیبی نتایج قابل قبولی در شبیه­سازی دبی رودخانه دارند. مقایسه­ی مدل ها نیز نشان داد مدل رگرسیون بردار پشتیبان-موجک در مرحله­ی صحت­سنجی مقادیر ۹۶۰/۰R۲=، ۰۴۵/۰RMSE=، ۰۲۴/۰MAE =، ۹۶۸/۰NS= و۰۰۱/۰BIAS= در پیش بینی جریان روزانه­ی رودخانه از خود نشان داده است. در مجموع نتایج نشان داد استفاده از مدل هیبریدی رگرسیون بردار پشتیبان-موجک میتواند در زمینه­ی پیش بینی دبی روزانه مفید باشد.

نویسندگان

حجت اله یونسی

استادیار گروه مهندسی آب

احمد گودرزی

دانشجوی دکترای سازه های آبی ، دانشگاه لرستان

مسعود شاکرمی

استادیار گروه مهندسی آب، دانشکده ی کشاورزی، دانشگاه لرستان

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 :
  • Adnan, R., Liang, Z., Heddam, S., Kermani, M., Kisi, O., ...
  • Alizadeh, F., Gharamaleki, A., Jalilzadeh, M., Akhoundzadeh, A. (۲۰۲۰). Prediction ...
  • Amuda, A., Brest, J., Mezura-Montes, E. (۲۰۱۳). Structured Population Size ...
  • Babaali, H., Dehghani, R. (۲۰۱۷). The Prediction of the Flood ...
  • Basak, D., Pal, S., and Patranabis, D.C. (۲۰۰۷). Support vector ...
  • Dehghani, R., Torabi, H. (۲۰۲۱). Applying hybrid artificial algorithms to ...
  • Dehghani, R., Younesi, H., Torabi Poudeh, H. (۲۰۱۶). Comparing the ...
  • Ghorbani, M.A., Deo, R., Karimi, V., Yassen, Z.M., Terzi, O. ...
  • Ghorbani, M.A., Khatibi, R., Karimi, V., Yaseen, Z.M., Zounemat-Kermani,M. (۲۰۱۸). ...
  • Hamel, L. (۲۰۰۹). Knowledge discovery with support vector Machines, Hoboken, ...
  • Kisi, O., Karahan, M., and Sen, Z. (۲۰۰۶). River suspended ...
  • Misra, D., Oommen, T., Agarwa, A., Mishra, S.K., and Thompson, ...
  • Nagy, H., Watanabe, K., and Hirano, M. (۲۰۰۲). Prediction of ...
  • Ostu, N. (۱۹۷۹). A Threshold Selection Method from Gray-Level Histograms ...
  • Salehi, M., Radmanesh, F., Zarei, H., Mansouri, B., Solgi, A. ...
  • Vapnik, V., and Chervonenkis, A. (۱۹۹۱). The necessary and sufficient ...
  • Vapnik, V.N. (۱۹۹۵). The Nature of Statistical Learning Theory. Springer, ...
  • Wang, D., Safavi, A.A., and Romagnoli, J.A. (۲۰۰۰). Wavelet-based adaptive ...
  • Yoon, H., Jun, S.C., Hyun, Y., Bae, G.O., and Lee, ...
  • نمایش کامل مراجع