مرور و ارزیابی روشهای تحلیل عدم قطعیت مدل های هوش مصنوعی در برآورد سیلاب با رویکرد یادگیری عمیق
- سال انتشار: 1402
- محل انتشار: بیست و دومین کنفرانس هیدرولیک ایران
- کد COI اختصاصی: IHC22_124
- زبان مقاله: فارسی
- تعداد مشاهده: 19
نویسندگان
دانشجوی کارشناسی ارشد مهندسی عمران- مدیریت منابع آب، دانشگاه محقق اردبیلی، اردبیل، ایران
دانشیار گروه مهندسی عمران، گرایش مهندسی آب، دانشگاه محقق اردبیلی، اردبیل، ایران
استادیار گروه آب و محیط زیست، دانشکده عمران، دانشگاه علم و صنعت، تهران، ایران
چکیده
فراوانی وقوع سیلاب های اخیر در کشور و وارد نمودن خسارات سنگین جانی و اقتصادی، اهمیت برآورد دقیق سیلابها جهت مدیریت و مهار آنهارا بیش از پیش آشکار ساخته است. مدلهای یادگیری عمیق از روشهای موثر هوش مصنوعی در پیش بینی سیلاب هستند اما بعلت ماهیت پیچیدهسیلاب ها، خطاهای احتمالی داده ها و ساختار مدل، اعتبار نتایج آنها همواره بایستی با در نظرگرفتن منابع عدم قطعیت ارزیابی شود. هدف تحقیقحاضر، مروری بر مفاهیم عدم قطعیت، منابع آن در پیش بینی سیلاب و مدل های یادگیری عمیق، ارزیابی روشهای به کمیت درآوردن عدم قطعیت ومقایسه عملکرد این مدلها نسبت به سایر روشهای سنتی هوش مصنوعی و یادگیری ماشین است که بدین منظور، مدل های CNN ، LSTM ، GRU ،روشهای تحلیل عدم قطعیت MCMC ، GLUE ، SCEM-UA ، DREAM-ZS ، مزایا و محدودیت های هریک و شاخص های ارزیابی آنهامعرفی شده است. براساس نتایج برخی پژوهش ها و با توجه به معیار ارزیابی NSE که برای مدلهای یادگیری عمیق در بازه ۸۵ / ۰ تا ۹۸ / ۰ و برای سایرمدلهای هوش مصنوعی در بازه ۵۹ / ۰ تا ۹۴ / ۰ بوده است و همچنین برتری مدل LSTM با معیار ۷ /% ۲۱ = NRMSE نسبت به مدل SVM با %۶ / ۵۶ = NRMSE مشخص گردید که در کل، مدل های یادگیری عمیق از دقت بالاتری نسبت به مدل های سنتی یادگیری ماشین برخوردارند. همچنیننتایج شاخص های ارزیابی تحلیل عدم قطعیت (P-factor در بازه ۶ /% ۶۱ تا % ۰ / ۹۷ ، r-factor در بازه ۴۷ / ۰ تا ۸ / ۰ و TUI های ۲۲ / ۱ و ۱/۵۳) بیانگر پوشش مناسب محدوده اطمینان مدلهای یادگیری عمیق میباشد و روشهای مونت کارلو نسبت به روش GLUE نتایج بهتری ارائه نموده اند.کلیدواژه ها
سیلاب، هوش مصنوعی، یادگیری عمیق، عدم قطعیتمقالات مرتبط جدید
- استراتژی های مقابله با بحران های کم آبی
- عملکرد مدل درخت تقویت شده در شبیه سازی بارش- رواناب حوضه صوفی چای، جهت مدیریت دبی ورودی به دریاچه ارومیه
- برآورد ریسک اقلیمی تولید گندم دیم در حوضه دریاچه ارومیه
- مدیریت و کاهش میزان نشت در شبکه های توزیع آب شهری
- بررسی عددی پارامترهای هیدرولیکی جریان در سرریزهای تاج دایره ای
اطلاعات 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.