استفاده از داده های مصنوعی تولید شده در مدلسازی تراوش سد خاکی با استفاده از ترکیب مدلهای هوش مصنوعی

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 145

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

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_WASO-30-1_003

تاریخ نمایه سازی: 25 دی 1401

چکیده مقاله:

اخیرا مدل های هوش مصنوعی مثل شبکه عصبی مصنوعی پیشرو و رگرسیون بردار پشتیبان قابلیت بالایی در مدل سازی سری های زمانی غیرخطی هیدرولیکی نشان داده اند. مدل های هوش مصنوعی روش هایی موثر برای بررسی و مدل سازی مقادیر زیادی از داده های دینامیک، غیرخطی و دارای خطا ارائه می دهند. از اینرو در این مقاله مسئله تراوش سد خاکی ستارخان با استفاده از دو مدل جعبه سیاه هوش مصنوعی شبکه عصبی مصنوعی پیشرو و رگرسیون بردار پشتیبان، بر اساس دو سناریو با ترکیب ورودی های مختلف مورد بررسی قرار گرفته و سپس به عنوان یک روش پیش پردازش برای بهبود عملکرد مدل، سری های نوفه با توزیع نرمال، میانگین صفر وانحراف معیارهای مختلف تولید شده و با افزودن آنها به داده های اصلی و تشکیل مجموعه های آموزشی مختلف، شبیه سازی تراوش با استفاده از مدل های هوش مصنوعی انجام شد. در ادامه به عنوان روشی دیگر برای بهبود عملکرد مدل، روش پس پردازش ترکیب مدل با استفاده از خروجی مدل های منفرد به کار گرفته شد. روش ترکیب مدل با استفاده از روش میانگین گیری غیرخطی با استفاده از شبکه عصبی مصنوعی انجام گرفت. نتایج حاکی از آن است که به کار گیری هم زمان هر دو روش جی ترینگ داده ها و ترکیب مدل، باعث بهبود دقت مدل تا ۳۲% در مرحله صحت سنجی می شود.

کلیدواژه ها:

تراوش سد خاکی ، ترکیب مدل ، جی ترینگ داده ها ، سد خاکی ستارخان ، مدل های هوش مصنوعی

نویسندگان

الناز شرقی

عضو هیئت علمی گروه مهندسی عمران-آب، دانشکده عمران، دانشگاه تبریز، تبریز، ایران

وحید نورانی

عضو هیات علمی

نازنین بهفر

گروه مهندسی عمران-آب، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، 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 :
  • Barzegar R, Asghari Moghaddam A and Fijani E, ۲۰۱۹. Forecasting ...
  • Cortes C and Vapnik V, ۱۹۹۵. Support-vector networks. Machine Learning ...
  • Emami S, Arvanaghi H and Parsa J, ۲۰۱۷. Forcasting of ...
  • Liu Y and Pender G, ۲۰۱۵. A flood inundation modeling ...
  • Moayeri MM, Nikpoor R, Hoseinzadeh Dalir A and Farsadizadeh D, ...
  • Nourani V, ۲۰۱۵. Basics of Hydroinformatics. Tabriz University Press. (In ...
  • Nourani V, Sharghi E and Aminfar MH, ۲۰۱۲. Integrated ANN ...
  • Shamseldin AY, O’Connor KM and Liang GC, ۱۹۹۷. Methods for ...
  • Tayfure G, Swiatek D, Wita A and Singh VP, ۲۰۰۵. ...
  • Vafaeian M, ۲۰۱۵. Earth Dams & Rockfill Dams. Arkan Danesh, ...
  • Yeganeh Fard M and Zahabiyoun B, ۲۰۱۴. Artificial flow production ...
  • Zhang GP, ۲۰۰۷. A neural network ensemble method with jittered ...
  • Zhang LM, Xu Y and Jia JS, ۲۰۰۹. Analysis of ...
  • نمایش کامل مراجع