برآورد بارش دراز مدت شهر انزلی توسط مدل ترکیبی سیستم های استنتاج فازی عصبی تطبیقی و تبدیل موجک

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 124

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_IJSWR-50-7_012

تاریخ نمایه سازی: 3 خرداد 1402

چکیده مقاله:

در سال­های اخیر، میزان بارش در نواحی مختلف به خصوص در نواحی خشک و نیمه خشک، دچار تغییرات چشم­گیری شده است. بنابراین، تخمین و الگوشناسی بارش در یک بازه دراز مدت می­تواند به هیدرولوژیست­ها و مهندسین آب اطلاعات کافی ارائه کند. در این مطالعه برای اولین بار، بارندگی دراز مدت شهر انزلی در یک بازه زمانی ۶۷ ساله توسط مدل عددی موجک- سیستم استنباط فازی عصبی تطبیقی (WANFIS) شبیه سازی شد. برای آموزش، آزمون و صحت­سنجی مدل­های هوش مصنوعی به ترتیب از بارش­های ۳۷، ۲۰ و ۱۰ ساله استفاده شد. در ابتدا، بهینه­ترین تابع عضویت شبکه انفیس با استفاده از تجزیه و تحلیل نتایج مدل­های مختلف به دست آمد. به عبارت دیگر، تعداد توابع عضویت بهینه برابر با هشت در نظر گرفته شد. سپس اعضای مختلف خانواده موجک مورد ارزیابی قرار گرفتند که dmey به­عنوان بهینه­ترین عضو این خانواده­ها معرفی شد. در ادامه، با استفاده از تابع خودهمبستگی، خودهمبستگی نسبی و تاخیرهای مختلف، ۱۵ مدل WANFIS توسعه داده شدند. علاوه بر این، با استفاده از تحلیل حساسیت، مدل برتر و تاخیرهای موثر معرفی شدند. مدل برتر، مقادیر بارش را با دقت بالایی تخمین زد. به­عنوان مثال، مقادیر ضریب همبستگی، شاخص پراکندگی و نش ساتکلیف برای مدل برتر در حالت صحت­سنجی به ترتیب مساوی با ۹۶۲/۰، ۲۵۸/۰ و ۸۹۹/۰ محاسبه شدند.

نویسندگان

ایرج پسندیده

دانشجوی دکتری منابع آب، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

محمد علی ایزدبخش

گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

سعید شعبانلو

دانشیار گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی

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 :
  • Abhishek, K., Kumar, A., Ranjan, R. and Kumar, S. (۲۰۱۲). ...
  • Akrami, S.A., Nourani, V. and Hakim, S.J.S. (۲۰۱۴). Development of ...
  • Aksoy, H. and Dahamsheh, A. (۲۰۰۹). Artificial neural network models ...
  • Cramer, S., Kampouridis, M., Freitas, A. A. and Alexandridis, A. ...
  • Danladi, A., Stephen, M., Aliyu, B. M., Gaya, G. K., ...
  • Dehghani, N., Vafakhah, M. and Bahremand, E. (۲۰۱۶). Modeling of ...
  • Jang, J.S. (۱۹۹۳). ANFIS: adaptive-network-based fuzzy inference system. IEEE transactions ...
  • Khalili, N., Khodashenas, S.R., Davari, K. and Mousavi Baygi, M. ...
  • Maqsood, I., Khan, M.R. and Abraham, A. (۲۰۰۴). An ensemble ...
  • Nourani, V., Hosseini Baghanam, A., Adamowski, J. and Kisi, O. ...
  • Purnomo, H.D., Hartomo, K.D. and Prasetyo, S.Y.J. (۲۰۱۷). Artificial neural ...
  • Ramirez, M.C.V., de Campos Velho, H.F. and Ferreira, N.J. (۲۰۰۵). ...
  • Riad, S., Mania, J., Bouchaou, L. and Najjar, Y. (۲۰۰۴). ...
  • Toth, E., Brath, A. and Montanari, A. (۲۰۰۰). Comparison of ...
  • Wong, K.W., Wong, P.M., Gedeon, T.D. and Fung, C.C. (۲۰۰۳). ...
  • Wong, K.W., Wong, P.M., Gedeon, T.D. and Fung, C.C. (۱۹۹۹). ...
  • نمایش کامل مراجع