ارزیابی و عملکرد مدل ماشین بردار پشتیبان در تخمین رسوبات معلق رودخانه ها

سال انتشار: 1396
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 311

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_WATER-8-1_003

تاریخ نمایه سازی: 15 تیر 1398

چکیده مقاله:

همواره پدیده انتقال رسوب، بسیاری از سازه های رودخانه ای و سازه های عمرانی را تحت تاثیر قرار داده و عدم اطلاع از میزان دقیق آن خسارات بسیاری را موجب می شود .از این جهت دستیابی به روشی با دقت مناسب برای تخمین میزان بار رسوبی معلق رودخانه ها بسیار حایز اهمیت است. در این پژوهش جهت تخمین رسوبات رودخانه کاکارضا واقع در استان لرستان، از مدل ماشین بردار پشتیبان استفاده گردید و نتایج آن با برنامه ریزی بیان ژن مقایسه شد. پارامترهای دبی جریان، میزان مواد جامد محلول در آب و بارش بعنوان ورودی و پارامتر دبی رسوب بعنوان خروجی مدل در مقیاس زمانی ماهانه، طی دوره آماری (1373-1393) انتخاب شد. معیارهای ضریب همبستگی، جذر میانگین مربعات خطا و میانگین قدر مطلق خطا برای ارزیابی و نیز مقایسه عملکرد مدل ها مورد استفاده قرار گرفت. نتایج  حاصله نشان داد که  الگوهای ترکیبی توانسته با استفاده از دو  مدل هوشمند مورد بررسی، در تخمین میزان رسوب نتایج قابل قبولی ارائه نماید. لیکن از لحاظ دقت، مدل ماشین بردار پشتیبان با بیشترین ضریب همبستگی (867/0)، کمترین جذر میانگین مربعات خطا(ton/day024/0) و نیز میانگین قدر مطلق خطا (ton/day 017/0) در مرحله صحت سنجی در اولویت قرار گرفت. در مجموع نتایج حاصله نشان داد که مدل ماشین بردار پشتیبان توانایی بالایی در تخمین مقادیر حداقل  و  حداکثراز خود نشان داده است.

کلیدواژه ها:

واژه های کلیدی: برنامه ریزی بیان ژن ، دبی رسوبی معلق ، رودخانه کاکارضا ، ماشین بردار پشتیبان

نویسندگان

بابک شاهی نژاد

استادیار گروه مهندسی آب، دانشگاه لرستان، ایران

رضا دهقانی

مهندسی منابع آب- دانشگاه تبریز

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 :
  • امامقلی زاده، ص. ر.کریمی دمنه. و خ. اژدری.1395. مقایسه ی ...
  • کاربرد شبکه های عصبی مصنوعی جهت تخمین دبی رسوب رودخانه ها [مقاله کنفرانسی]
  • ثانی خانی، ه.، م.نیک پور.. ر. فرسادی زاده، د. و ...
  • داننده مهر، ع.،ا. علیایی، و م. ع. قربانی. 1389 . ...
  • دهقانی، ر.،م. قربانی، ع.، تشنه لب، م.، ریخته گر غیاثی، ...
  • رجبی، م.،م. فیض اله پور،. و ش. روستایی. 1394. استفاده ...
  • ستاری، م. ت.، رضازاده جودی، ع. صفدری، ف. و ف. ...
  • قربانی، م. ع. و ا. صالحی. 1390. استفاده از برنامه ... [مقاله کنفرانسی]
  • Aytek, A., and O. Kisi. 2008. A Genetic Programming Approach ...
  • Basak, D., S. Pal,  and D. C. Patranabis. 2007. Support ...
  • Buyukyildiz, M. and S. Y. Kumcu.Y.2017. An Estimation of the ...
  • Chen S.T., and P. S. Yu. 2007. Real-time probabilistic forecasting ...
  • Ferreira, C. 2001. Gene expression programming: a new adaptive algorithm ...
  • Ghorbani, M.A.,  R. Khatibi, H. Asadi, and P. Yousefi. 2012. ...
  • Hamel,  L. 2009. Knowledge Discovery with Support Vector Machines, Hoboken, ...
  • Kakaei Lafdani, E., A. Moghaddam Nia, and A. Ahmadi. 2013. ...
  • Khatibi, R., L. Naghipour, M. A. Ghorbani, and M. T. ...
  • Kisi, O., and A. Guven. 2010. A machine code-based genetic ...
  • Kisi, O., and  J. Shiri. 2012. River suspended sediment estimation ...
  • Kisi, O., M. Karahan, and Z. Sen. 2006. River suspended ...
  • Lin, J.Y., C. T. Cheng, and K. W. Chau.2006. Using ...
  • Liong, S.Y., and C. Sivapragasam. 2002. Flood stage forecasting with ...
  • Misra, D., T. Oommen, A. Agarwa, S. K. Mishra, and ...
  • Nagy, H., K. Watanabe, and M. Hirano. 2002. Prediction of ...
  • Nourani, V., F. Alizadeh, and K. Roushangar. 2016. Evaluation of ...
  • Vapnik, V.N. 1995. The Nature of Statistical Learning Theory. Springer, ...
  • Vapnik, V.N. 1998. Statistical learning theory. Wiley, New York ...
  • Vapnik, V., and A. Chervonenkis. 1991. The necessary and sufficient ...
  • Yoon, H., S. C. Jun, Y. Hyun, G. O. Bae, ...
  • نمایش کامل مراجع