سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات162
تعداد شماره‌ها6,623
تعداد مقالات71,546
تعداد مشاهده مقاله126,902,982
تعداد دریافت فایل اصل مقاله99,952,951
شاهوردی, کاظم. (1403). یادگیری نظارت‌شده در مدیریت بهره‌برداری از کانال‌های آبیاری. , 14(4), 1005-1018. doi: 10.22059/jwim.2024.384476.1187
کاظم شاهوردی. "یادگیری نظارت‌شده در مدیریت بهره‌برداری از کانال‌های آبیاری". , 14, 4, 1403, 1005-1018. doi: 10.22059/jwim.2024.384476.1187
شاهوردی, کاظم. (1403). 'یادگیری نظارت‌شده در مدیریت بهره‌برداری از کانال‌های آبیاری', , 14(4), pp. 1005-1018. doi: 10.22059/jwim.2024.384476.1187
شاهوردی, کاظم. یادگیری نظارت‌شده در مدیریت بهره‌برداری از کانال‌های آبیاری. , 1403; 14(4): 1005-1018. doi: 10.22059/jwim.2024.384476.1187

یادگیری نظارت‌شده در مدیریت بهره‌برداری از کانال‌های آبیاری

مدیریت آب و آبیاری
دوره 14، شماره 4، اسفند 1403، صفحه 1005-1018    اصل مقاله (1.64 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jwim.2024.384476.1187
نویسنده
کاظم شاهوردی*
گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بوعلی سینا، همدان، ایران.
چکیده
با توجه به نیاز روزافزون به آب به‌دلیل رشد روز افزون جمعیت، افزایش نیاز به غذا، شهرنشینی و صنعت، فشار بر روی منابع آب زیاد است. مدیریت بهینه آب در شبکه کانال‌ها می‌تواند نقش مؤثری در کاهش این فشار باشد. بررسی ادبیات پژوهش نشان می‌دهد که روش ماشین بردار پشتیبان، به‌عنوان یکی از روش‌های هوشمند، برای مدیریت بهینه آب در شبکه کانال‌ها کم‌تر موردتوجه قرار گرفته است. در این پژوهش، روش ماشین بردار پشتیبان برای مدیریت بهره‌برداری کانال عقیلی شرقی مورداستفاده قرار گرفت و با درنظرگرفتن دبی آبگیرها به‌عنوان ورودی و بازشدگی آن‌ها به‌عنوان 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 به‌ترتیب کوچک‌تر از 1/0، کوچک‌تر از 1/0، بزرگ‌تر از 85/0 و بزرگ‌تر از 9/0 به‌دست آمد. نتایج کاربرد ماشین بردار با نتایج شبکه عصبی مصنوعی مقایسه شد که نشانگر برتری ماشین بردار پشتیبان بود.
کلیدواژه‌ها
کانال آب؛ مدیریت بهره‌برداری؛ ANN؛ SVM
عنوان مقاله [English]
Supervised learning to manage irrigation canals’ operation
نویسندگان [English]
Kazem Shahverdi
Department of Water Sciences and Engineering, Faculty of Agriculture, Bu-Ali Sina University, Hamedan, Iran.
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
مراجع
  1. Benftima, S., Gharab, S., Rivas-Pérez, R., & Feliu-Batlle, V. (2024). Modeling of an Irrigation Main Canal Pool based on a NARX-ANN System Identification. Communications in Nonlinear Science and Numerical Simulation, 132, 107929.
  2. Cristianini, N., & Shawe-Taylor, J. (2007). Support vector and kernel methods. Intelligent Data Analysis: An Introduction, Springer, 169-197.
  3. Hadiseraji, G., Monem, M. J., & Savari, H. (2022). Evaluation of Operational Flexibility for on Request Delivery Method from Hydraulics Point of view in Irrigation Networks. Iranian Journal of Irrigation & Drainage, 16(4), 685-696.
  4. Kaushik, V., & Kumar, M. (2023). Water surface profile prediction in non-prismatic compound channel using support vector machine (SVM). AI in Civil Engineering, 2(1), 6.
  5. Khorshidi, A., Monem, M. J., & Mazaheri, M. (2024). Investigation of the effect of operational errors on the performance uncertainty of irrigation networks in arranged delivery. Iranian Journal of Soil and Water Research, 55(2), 179-195. (In persian)
  6. Molden, D. J., & Gates, T. K. (1990). Performance measures for evaluation of irrigation-water-delivery systems. Journal of Irrigation and Drainage Engineering, 116(6), 804-823.
  7. Savari, H., & Monem, M. J. (2022). Optimal operational instructions for on‐request delivery using hybrid genetic algorithm and artificial neural network, considering unsteady flow. Irrigation and Drainage, 71(3), 735-748.
  8. Shahverdi, K. (2023). AICSS: Automatic simulator–controller/optimizer model of open channels. Irrigation and Drainage, 72(4), 1124-1136.
  9. Shahverdi, K., & Maestre, J. (2022). Gray Wolf Optimization for Scheduling Irrigation Water. Journal of Irrigation and Drainage Engineering, 148(7), 04022020.
  10. Shahverdi, K., Mollazeiynali, H., & Marofi, M. (2023). Design of Operation Strategy for Canal Structures. Journal of Hydraulics, 18(4).
  11. Shahverdi, K., & Monem, M. J. (2015). Application of reinforcement learning algorithm for automation of canal structures. Irrigation and drainage, 64(1), 77-84.
  12. Sharifi, H., Roozbahani, A., & Shahdany, S. M. H. (2021). Evaluating the Performance of Agricultural Water Distribution Systems Using FIS, ANN and ANFIS Intelligent Models. Water Resources Management, 1-20.
  13. Worden, K., Tsialiamanis, G., Cross, E., & Rogers, T. (2023). Artificial neural networks. Machine Learning in Modeling and Simulation: Methods and Applications, Springer, 85-119.
  14. Zamani, S., Parvaresh Rizi, A., Kouchakzadeh, S., & Sajedi, H. (2024). Evaluation of Machine-Learning Approaches in the Automation of Irrigation Canals Using a Variable-Height Weir. Journal of Irrigation and Drainage Engineering, 150(6), 04024030.
آمار
تعداد مشاهده مقاله: 50
تعداد دریافت فایل اصل مقاله: 14





سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب