ارزیابی توانایی یک روش آموزش ماشین در تخمین حداکثر دبی سیلاب ناشی از شکست سد

سال انتشار: 1397
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 398

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_WATER-9-4_001

تاریخ نمایه سازی: 17 آذر 1398

چکیده مقاله:

در این مقاله توانایی روش آموزش ماشین Support Vector Machine (SVM) در پیش بینی حداکثر دبی خروجی سیلاب ناشی از شکست سدهای خاکی بررسی  شده است. پارامترهای ورودی مدل مورد نظر، دو پارامتر مخزن در زمان شکست یعنی ارتفاع آب و حجم آب پشت سد انتخاب شد که برای آموزش این مدل ها از داده های جمع آوری شده در منابع مختلف استفاده شده است. از مجموع 112 داده، 70 درصد آن جهت آموزش مدل ها و 30 درصد آن جهت صحت سنجی، به نحوی که این دو زیرمجموعه از لحاظ آماری اختلاف معنی داری نداشته باشند، انتخاب شد.  بعد از بررسی چهار مدل SVM، مشخص شد که استفاده از کرنل تابع پایه شعاعی بهترین نتیجه را در تخمین این پدیده حاصل می دهد (نتایج آماری این روش در تخمین پدیده مورد نظر با 96/0=R2، 03/0=RMSE و 94/0=R2 و 05/0=RMSE به ترتیب در فاز آموزش و آزمون). مقایسه ای نیز بین 6 رابطه تجربی کلاسیک و مدل توصیه شده صورت گرفت که نتایج نشانگر عملکرد ضعیف روابط تجربی در مقایسه با مدل پیشنهادی است. در نهایت با توجه به اهمیت مدیریت هنگام شکست سد استفاده از روش آموزش ماشین پیشنهادی برای تخمین مقدار ماکسیمم دبی خروجی از سد پیشنهاد می شود.

نویسندگان

حامد فرهادی

دانشجوی دکتری سازه های آبی، گروه علوم و مهندسی آب دانشگاه فردوسی مشهد، ایران

کاظم اسماعیلی

گروه علوم و مهندسی آب دانشگاه فردوسی مشهد، ایران.

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 :
  • فرهادی، ح.، م. زمردیان. 1391. برآورد ماکسیمم دبی شکست سدهای ...
  • Babaeyan-Amini, A., V. Nourani and H. Hakimzadeh. 2011. Application of ...
  • Bray, M. and D. Han. 2004. Identification of support vector ...
  • Burge, T. 2004. Big Bay Dam: Evaluation of failure. Land ...
  • Carling, P., I. Villanueva, J. Herget, N. Wright, P. Borodavko ...
  • Chang, F., L. C. Chang and H. L. Huang. 2002. ...
  • Chang, L. C. and F. J. Chang. 2001. Intelligent control ...
  • Chen, S. T. and P. S. Yu. 2007. Pruning of ...
  • Chiang, Y. M., L. C. Chang, and F. J. Chang. ...
  • Coleman, S. E., D. P. Andrews and M. G. Webby. ...
  • Cortes, C. and V. Vapnik. 1995. Support-vector networks. Machine learning, ...
  • Dawson, C. and R. Wilby. 2001. Hydrological modelling using artificial ...
  • Dibike, Y. B., S. Velickov, D. Solomatine, and M. B. ...
  • Dixon, B. 2005. Groundwater vulnerability mapping: a GIS and fuzzy ...
  • Evans, S. G. 1986. The maximum discharge of outburst floods ...
  • FERC. 2006. Report of findings on the overtopping and embankment ...
  • Froehlich, D. C. 1995. Peak outflow from breached embankment dam. ...
  • Gaucher, J., C. Marche and T. F. Mahdi. 2010. Experimental ...
  • Han, D., L. Chan and N. Zhu. 2007. Flood forecasting ...
  • Hanson, G., K. Cook and S. Hunt. 2005. Physical modeling ...
  • Hassan, M., M. Morris, G. Hanson and K. Lakhal. 2004. ...
  • Hooshyaripor, F. and A. Tahershamsi. 2012. Comparing the performance of ...
  • Hooshyaripor, F., A. Tahershamsi, and S. Golian. 2014. Application of ...
  • Johnson, V. M. and L. L. Rogers. 1995. Location Analysis ...
  • Karunanithi, N., W. J. Grenney, D. Whitley and K. Bovee. ...
  • Liong, S. Y., T. R. Gautam, S. T. Khu, V. ...
  • Macdonald, T. C. and J. Langridge-Monopolis. 1984. Breaching charateristics of ...
  • Makkeasorn, A., N. B. Chang and X. Zhou. 2008. Short-term ...
  • Mattera, D. S. Haykin. 1999. Support vector machines for dynamic ...
  • Nayak, P. C., K. Sudheer, D. Rangan and K. Ramasastri. ...
  • Pierce, M. W., C. I. Thornton, and S. R. Abt. ...
  • Ponce, V. M., A. Taher-Shamsi and A. V. Shetty. 2003. ...
  • Ranjithan, S., J. Eheart and J. Garrett. 1993. Neural network‐based ...
  • Sattar, A. M. and B. Gharabaghi. 2015. Gene expression models ...
  • Schölkopf, B., C. Burgest and V. Vapnik. 1995. Extracting support ...
  • Service, S. C. 1981. Simplified Dam-breach Routing Procedure, USDA, Washington ...
  • Singh, V. P. and P. D. Scarlatos. 1988. Analysis of ...
  • Sivapragasam, C., R. Maheswaran and V. Venkatesh. 2008. Genetic programming ...
  • Smith, J. and R. N. Eli. 1995. Neural-network models of ...
  • Smola, A. J. 1996. Regression estimation with support vector learning ...
  • Soil Conservation Service .1981. Simplified Dam-breach Routing Procedure. Technical Release ...
  • Tokar, A. S. and P. A. Johnson. 1999. Rainfall-runoff modeling ...
  • Tsai, C. W. 2005. Flood routing in mild-sloped rivers—wave characteristics ...
  • U.S. Bureau of Reclamation .1982. Guidelines for Defining Inundated Areas ...
  • Vaskinn, K. A., A. Lovoll, K. Hoeg, M. Morri, G. ...
  • Vapnik, V. 1995. The Nature of Statistical Learning Theory. Springer. ...
  • Wahl, T. 1998. Prediction of embankment dam breach parameters—a literature ...
  • Wang, W. C., K. W. Chau, C. T. Cheng and ...
  • Whigham, P. and P. Crapper. 2001. Modelling rainfall-runoff using genetic ...
  • Xia, J., B. Lin, R. A. Falconer and G. Wang. ...
  • Xu, Y. and L. Zhang. 2009. Breaching parameters for earth ...
  • Yu, P. S., S. T. Chen and I. F. Chang. ...
  • نمایش کامل مراجع