کاربرد مدل های هوش مصنوعی و سری زمانی در تخمین رواناب (مطالعه موردی: قسمتی از حوضه آبریز رودخانه هلیل)
- سال انتشار: 1402
- محل انتشار: مجله مهندسی منابع آب، دوره: 16، شماره: 58
- کد COI اختصاصی: JR_WEJMI-16-58_004
- زبان مقاله: فارسی
- تعداد مشاهده: 263
نویسندگان
فارغ التحصیل مقطع کارشناسی ارشد رشته سازه های آبی، بخش علوم و مهندسی آب، دانشگاه شهید باهنر کرمان، کرمان، ایران
دانشیار بخش علوم و مهندسی آب دانشگاه شهید باهنر کرمان، کرمان، ایران
دانشیار بخش علوم و مهندسی آب دانشگاه شهید باهنر کرمان، کرمان، ایران
استادیار بخش علوم و مهندسی آب دانشگاه شهید باهنر کرمان، کرمان، ایران
چکیده
چکیدهمقدمه: پیشبینی دقیق رواناب و سیلاب برای جلوگیری از خسارتهای جانی و مالی یکی از چالش برانگیزترین کارها در مطالعات هیدرولوژیکی یک منطقه می باشد. از این رو، توسعه مدل های دقیق پیشبینی از قبیل روش های هوش مصنوعی مورد توجه بیشتر محققین قرار گرفته است.روش: در این تحقیق به بررسی کارآیی ۳ مدل ANN، GMDH و ARIMA جهت شبیه سازی سیلاب قسمتی از حوضه رودخانه هلیل رود در استان کرمان پرداخته شد. مدل ANN یک روش مدلسازی غیرخطی است که به مرور عملکرد خود را بهبود می بخشد. GMDH یک مدل هوش مصنوعی با ویژگی های قابلیت خودسازماندهی اکتشافی است که در انتهای آن سیستمی پیچیده با عملکرد مطلوب شکل می گیرد. کد نوشته شده ARIMA به ساخت مدلی برای توصیف ساختار داده ها و سپس پیشبینی سری زمانی می پردازد. دادههای ورودی به مدل های فوق شامل دبی، بارش، دما، باد و رطوبت ماهانه بودند و مقادیر رواناب شبیه سازی شده با مقادیر مشاهداتی مقایسه گردید.یافته ها: جهت ارزیابی دقت مدلها از شاخص های آماری RMSE، MSD و MAE استفاده شد و نتایج بدست آمده نشان داد مدل ((m۳/s)۰۴۲/۰RMSE=، ۲(m۳/s)۰۰۱/۰MSD= و (m۳/s)۰۲۷/۰MAE=) ANN توانست رواناب را با دقت بالاتری در مقایسه با مدل (۰۶۸/۰RMSE=، ۰۰۵/۰ MSD= و ۰۵۶/۰MAE=) GMDH و سری زمانی (۰۹۶/۰RMSE=، ۰۰۹/۰MSD= و ۰۶۳/۰MAE=) ARIMA در حوضه مورد مطالعه برآورد کند. میانگین خطا در تخمین رواناب با مدل ANN در مقایسه با مقادیر تخمین زده شده با مدل GMDH و ARIMA به ترتیب ۲۳/۳۸ و ۲۵/۵۶ درصد کاهش یافت.نتیجه گیری: باتوجه به نتایج بدست آمده در این مطالعه، مدل شبکه عصبی مصنوعی به سبب توانایی ساختاری مناسب جهت پیدا کردن رابطه غیرخطی بین داده های ورودی و خروجی، توانسته است کارایی بهتری نسبت به دو مدل دیگر از خود نشان دهند.کلیدواژه ها
بارش- رواناب, خودهمبسته با میانگین متحرک یکپارچه (ARIMA), شبکه عصبی مصنوعی (ANN), کنترل گروهی داده ها (GMDH), مدیریت منابع آباطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.