مدلسازی هیدرولیکی منابع آب با استفاده از تکنیکهای یادگیری | ||
| تحقیقات آب و خاک ایران | ||
| دوره 52، شماره 11، بهمن 1400، صفحه 2739-2750 اصل مقاله (1.59 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2021.330656.669078 | ||
| نویسندگان | ||
| مجتبی پورسعید* 1؛ امیرحسین پورسعید2؛ سعید شعبانلو3 | ||
| 1سازمان برنامه و بودجه، معاونت فنی | ||
| 2دانشجوی دکترای تخصصی مهندسی برق قدرت، گروه مهندسی برق، دانشگاه لرستان، خرم آباد، ایران | ||
| 3دانشیار گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه،ایران | ||
| چکیده | ||
| تحلیل کمی و کیفی منابع آب امروزه به یکی از موضوعات مهم در تحقیقات منابع آب تبدیل شده است. در این تحقیق از دادهکاوی، تکنیکهای هوش مصنوعی و ریاضی برای شبیهسازی رفتار آب و تخمین تغییرات پارامتریک آن استفاده شده است. نام مدلهای بکار گرفته شده عبارتند از: مدل ماشین یادگیری نیرومند خودتطبیق SAELM، حداقل مربعات ماشین بردار پشتیبان LSSVM، مدل شبکههای عصبی نروفازی ANFIS و مدل آماری رگرسیون خطی چندگانه MLR که برای تخمین پارامترهای هیدروژئولوژیکی استفاده شده است. همچنین برای ارزیابی عملکرد مدلها، در قالب 5 رویکرد دقت مدلها بررسی گردید. نتایج تحقیق نشان داد که براساس نمودارهای شبیهسازی و همبستگی مدل SAELM برترین مدل بود. براساس شاخصهای ارزیابی دقت، مدل SAELM با شاخصهای RMSE و MAPE و R به ترتیب برابر با 1545/0، 0070/0 و 9979/0 دارای بالاترین دقت در تخمین پارامترهای هیدروژئولوژیکی بود. بر اساس تحلیل عدم قطعیت ویلسون (Wilson Score method) عملکرد مدل برتر (SAELM) دست پایین (Underestimated) برآورد گردید. همچنین براساس نمودارهای نسبت اختلاف خطا، دقیقترین نتایج مربوط به مدل SAELM بود. در پایان با استفاده از نمودارهای توزیع خطا کمترین میزان خطا به مدل SAELM اختصاص یافت. | ||
| کلیدواژهها | ||
| ماشین یادگیری نیرومند خودتطبیق؛ ماشین یادگیری حداقل مربعات بردار پشتیبان؛ شبکههای عصبی نروفازی؛ رگرسیون خطی چندگانه؛ تحلیل عدم قطعیت | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,593 تعداد دریافت فایل اصل مقاله: 656 |
||