پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,573 |
| تعداد مقالات | 71,037 |
| تعداد مشاهده مقاله | 125,516,706 |
| تعداد دریافت فایل اصل مقاله | 98,777,669 |
یادگیری نظارت‌شده در مدیریت بهره‌برداری از کانال‌های آبیاری | ||
| مدیریت آب و آبیاری | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 04 دی 1403 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jwim.2024.384476.1187 | ||
| نویسنده | ||
| کاظم شاهوردی* | ||
| استادیار گروه علوم و مهندسی آب- سازه های آبی- دانشگاه بوعلی سینا | ||
| چکیده | ||
| با توجه به نیاز روزافزون به آب به علت رشد سریع جمعیت، افزایش نیاز به غذا، شهرنشینی و صنعت، فشار بر روی منابع آب زیاد است. مدیریت بهینه آب در شبکه کانال‌ها می‌تواند نقش موثری در کاهش این فشار باشد. بررسی ادبیات تحقیق نشان می‌دهد که روش ماشین بردار پشتیبان، به عنوان یکی از روش‌های هوشمند، برای مدیریت بهینه آب در شبکه کانال‌ها کمتر مورد توجه قرار گرفته است. در این تحقیق، روش ماشین بردار پشتیبان برای مدیریت بهره‌برداری کانال عقیلی شرقی مورد استفاده قرار قرار گرفت و با در نظر گرفتن دبی آبگیرها به عنوان ورودی و بازشدگی آنها به عنوان خروجی به‌طوریکه عمق آب در عمق هدف بماند، آموزش ماشین بردار پشتیبان صورت گرفت. در گام بعدی، پیش‌بینی برای حالت‌های مختلف صورت گرفت و با استفاده از مدل هیدرودینامیک، شبیه‌سازی کانال انجام شد و سنجه‌های ارزیابی عدالت، پایداری، راندمان و کفایت محاسبه شد که به ترتیب کوچکتر از 1/0، کوچکتر از 1/0، بزرگتر از 85/0 و بزرگتر از 9/0 به‌دست آمد. نتایج ماشین بردار با نتایج شبکه عصبی مصنوعی مقایسه شد که نشانگر برتری ماشین بردار پشتیبان بود. | ||
| کلیدواژه‌ها | ||
| کانال آب؛ مدیریت بهره‌برداری؛ SVM؛ ANN | ||
| عنوان مقاله [English] | ||
| Supervised learning to manage irrigation canals’ operation | ||
| نویسندگان [English] | ||
| Kazem Shahverdi | ||
| Assistant Professor, Water Science and Engineering Department, Bu-Ali Sina University | ||
| چکیده [English] | ||
| Due to the ever-increasing need for water due to rapid population growth, increased need for food, urbanization, and industry, the pressure on water resources is high. Optimal management of water in the canal networks can play an effective role in reducing this pressure. The research literature review shows that the support vector machine method, as one of the artificial intelligence methods, has received less attention for optimal water management in the canal network. In this research, the support vector machine method was used to manage the operation of the eastern Aghili canal, by considering the discharge of the canal as the input and associated gate opening as the output so that the water depth remains at the target depth, the training of the support vector machine was done. In the next step, the prediction was made for different inputs, and canal simulation was done using a hydrodynamic model, and the criteria for evaluation of equity, dependability, efficiency, and adequacy were calculated, which were respectively smaller than 0.1, smaller than 0.1, larger than 0.85, and greater than 0.9. The results of the vector machine were compared with the results of the artificial neural network, which indicated the superiority of the support vector machine. | ||
| کلیدواژه‌ها [English] | ||
| ANN, operation management, SVM, water canal | ||
|
آمار تعداد مشاهده مقاله: 32 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب