مدلسازی سری زمانی آورد ورودی به سدهای جیرفت و نساء با استفاده از یادگیری عمیق مطالعه موردی: (سدهای جیرفت و نساء) | ||
| مجله اکوهیدرولوژی | ||
| دوره 13، شماره 1، بهار 1405، صفحه 1106-1123 اصل مقاله (1.24 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2025.398750.1879 | ||
| نویسندگان | ||
| نسرین سیاری* 1؛ آرمین شاهرخی2 | ||
| 1استادیار، بخش علوم و مهندسی آب، دانشکدۀ کشاورزی، دانشگاه شهید باهنر کرمان | ||
| 2دانشآموختۀ کارشناسی ارشد مهندسی منابع آب، بخش علوم و مهندسی آب، دانشکدۀ کشاورزی، دانشگاه شهید باهنر کرمان | ||
| چکیده | ||
| تحلیل تغییرات زمانی و مکانی بارش، دما و همچنین، آبدهی سطحی در مباحث منابع آب و پیشبینیهای بلندمدت برای مدیریت حوضۀ آبخیز امری ضروری است. از اینرو هدف از این مطالعه، مدلسازی سری زمانی دبی ورودی به سدهای جیرفت و نساء در شرایط مختلف آبوهوایی بود. به اینمنظور، از دو مدل LSTM و GRU در سدهای جیرفت و نساء طی بازۀ زمانی 25 و 12 سال در محیط برنامۀ Python استفاده شد. براساس نتایج حاصل از خروجی، مدل زمانی در بهترین حالت خود قرار دارد که به نقطۀ همگرایی رسیده است. در سد جیرفت مدل LSTM، معیارهای RMSE، برای آموزش و آزمون مدل بهترتیب 0/72 و 0/78 و مقادیر MAE بهترتیب 0/10 و 0/12 بود. این مقادیر در مدل GRU بهترتیب 0/94 و 1/02 و 0/15 و 0/20 بود. همچنین در سد نساء در مدل LSTM، معیارهای RMSE، برای آموزش و آزمون مدل بهترتیب 0/11 و 0/10 و مقادیر MAE بهترتیب 0/05 و 0/04 بود. این مقادیر در مدل GRU بهترتیب 0/10 و 0/09 و 0/04 و 0/03 بود. همچنین، میتوان با برنامهریزی از ایجاد خسارتهای ناشی از خروجی سد در پاییندست و تخلیه و مهار سیلابهای احتمالی در حد امکان جلوگیری کرد. | ||
| کلیدواژهها | ||
| سریزمانی؛ شبکه عصبی بازگشتی؛ یادگیری عمیق؛ GRU؛ LSTM | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 510 تعداد دریافت فایل اصل مقاله: 258 |
||