ارزیابی لایه بندی حرارتی مخازن چاه نیمه در معرض شرایط نامساعد آب و هوایی

در این مطالعه، لایه بندی حرارتی ماهانه مخزن چاه نیمه شماره ۴ (CRN۴) با استفاده از داده های مشاهداتی از اردیبهشت ۱۳۹۲ تا فروردین ۱۳۹۳ استخراج شد. سپس، لایه بندی حرارتی ماهانه توسط مدل تحلیلی یک بعدی HEC-۵Q و مدل های داده محور شامل: ماشین یادگیری شدید (ELM) و رگرسیون بردار پشتیبان (SVR) شبیه سازی شد. نتایج نشان داد که باد مداوم ۱۲۰ روزه، همراه با نرخ تبخیر بالا، باعث می شود دریاچه حداقل دو بار در سال، گردش از بالا به پایین را تجربه کند و در نتیجه منجر به بازیابی اکسیژن محلول و فراهم شدن محیطی برای حیات آبزیان در هیپولیمنیون شود که در پاییز و زمستان رخ می دهد؛ علاوه بر این، نتایج نشان داد که به طور کلی، روش های هوش مصنوعی در مقایسه با مدل کلاسیک قوی تر هستند و در عین حال به داده های کمتری نیاز دارند.

کلیدواژه ها:

لایه بندی دریاچه ، مخزن شماره ۴ چاه نیمه ، Extreme learning machine ، Support vector regression ، HEC-۵Q