مدل الگوریتم شبکه های عصبی مصنوعی برای محاسبه و برآورد مصرف نفت

مصرف نفت یکی از عوامل اصلی تاثیرگذار بر صنعت و اقتصاد است. بنابراین برآورد و پیش بینی مصرف نفت بسیار مهم است. این امر به دولت ها کمک می کند تا تصمیمات درستی اتخاذ کنند و از تصمیمات نادرستی که منجر به نتایج منفی می شود اجتناب کنند. این مطالعه یک رویکرد جدید برای پیش بینی مصرف نفت با ادغام الگوریتم سینوسی کسینوس (SCA) با شبکه های عصبی مصنوعی (ANN) ارائه میکند. SCA، یک الگوریتم بهینهسازی الهام گرفته از طبیعت، برای بهینهسازی پارامترهای ANN استفاده میشود و دقت پیش بینی آن را افزایش میدهد. روش های سنتی اغلب در گرفتن الگوهای پیچیده و غیرخطی موجود در داده های مصرف نفت کوتاهی میکنند. با استفاده از قابلیت های جستجوی قوی SCA و مهارت ANN در مدل سازی روابط غیرخطی، هدف مدل ترکیبی پیشنهادی ارائه عملکرد پیش بینی برتر است. نتایج تجربی، تایید شده با استفاده از داده های مصرف نفت تاریخی، نشان میدهد که مدل ANN بهینه شده با SCA به طور قابل توجهی از تکنیک های پیش بینی مرسوم از نظر دقت و قابلیت اطمینان بهتر عمل میکند. این رویکرد نه تنها ابزار قدرتمندی برای ذینفعان در بخش انرژی فراهم میکند، بلکه با نمایش پتانسیل ترکیب الگوریتم های تکاملی با شبکه های عصبی، به حوزه گسترده تر پیش بینی سری های زمانی کمک میکند. به همین دلیل، روش های مختلفی برای پیش بینی مصرف روغن استفاده شده اند، مانند مدل سیستم استنتاج عصبی فازی تطبیقی (ANFIS). این یکی از محبوب ترین روش های داده

کلیدواژه ها:

مصرف نفت ، الگوریتم سینوسی کسینوس ، شبکه های عصبی مصنوعی ، پیش بینی ، الگوریتم بهینهسازی ، دقت پیش بینی