Article

مدل سازی و پیش بینی دبی های رودخانه های استان اردبیل با استفاده از مدل شبکه عصبی مصنوعی

برومند صلاحی، دانشگاه محقق اردبیلی

Abstract(in Persian; no English abstract is available)

در این پژوهش، مقادیر دبی های رودخانه های استان اردبیل با بهره گیری از مدل شبکه های عصبی مصنوعی و نیز با استفاده از توابع و امکانات نرم افزار matlab، مدل سازی شد. بدین منظور، از آمار بلند مدت ایستگاه های هیدرومتری رودخانه های این استان و برخی پارامترهای اقلیمی (دما، رطوبت نسبی، بارندگی و فشار) ایستگاه های سینوپتیک موثر بر میزان دبی های حوضه های این استان در طول دوره آماری 30 ساله (سال آبی 58-1357 تا 88-1387) بهره گرفته شد. ورودی های شبکه، داده های متوسط ماهانه ی متغیرهای بارش، دما، رطوبت نسبی (حداقل، میانگین و حداکثر) و متوسط فشار ایستگاه های سینوپتیک اردبیل و خلخال و خروجی شبکه نیز مقادیر متوسط دبی های ماهانه ی شش ایستگاه هیدرومتری بران، دوست بیگلو، مشیران، گیلانده، سامیان و درو می باشند. برای هر ایستگاه یک شبکه با خطای کمتر از 5 درصد طراحی گردید. پس از بررسی شاخص های عملکرد شبکه از جمله ضریب تعیین، مجذور میانگین مربعات خطا، میانگین مربعات خطا، میانگین مطلق خطا، میانگین درصد خطا و ضریب همبستگی مشاهده شد که پیش بینی دبی با دقت قابل قبولی انجام شده به طوری که میزان ضریب همبستگی آن 99/0 و حداکثر خطای آنها 51/3 درصد بوده است. abstract in this study, flows of ardabil province rivers were modeled by using artificial neural network models and the use of functions and features in matlab. therefore, long-term data of ardabil hydrometric stations and meteorological parameters of synoptic stations affecting on the rate of flow of ardabil province basins (temperature, relative humidity, precipitation and pressure) during the 30-year period (1979-2009) were used. network inputs are the average monthly rainfall, temperature, relative humidity (minimum, average and maximum) and mean pressure of ardabil and khalkhal synoptic stations. the network output values are the monthly average of flows of six hydrometric stations like dust-bigelow, mashiran, gilandeh, samian and dero. for each station, a network was designed with an error of less than 5 percent. after analyzing network performance indices such as the coefficient of determination, root mean square error, mean square error, mean absolute error, average percentage error and correlation coefficient was observed that the predicted flow rates with acceptable accuracy was such that the correlation coefficient 0.99 and the maximum errors are 3.51 percent. keywords: ardabil province rivers, artificial neural networks, prediction, flows.

Similar items

  • شبیه سازی و پیش بینی جریان رودخانه ها با استفاده از شبکه عصبی و مدل فوریه

    Articleتحقیقات منابع آب ایرانناصر رستم افشار، استادیار /دانشگاه صنعت آب و برق (شهید عباس پور) هدایت فهمی، شرکت مدیریت منابع آب ایران علیرضا پیره، کارشناس /گروه پژوهشی جاماب

    مقاله حاضر به بررسی نحوه عملکرد شبکه های عصبی mlp در ارتباط با خروجی مدل فوریه، fsam، می پردازد. مدل fsam که مدل شبیه ساز بارش است، تحلیل مدل های کلاسیک را در قلمرو فرکانس، که توسعه نظریه طیفی فرآیندهای متداول نظیر طیف الگوهای arima را در درون خود دارد، ارائه می دهد. کاربرد همزما

  • مدل سازی بار رسوب کل رودخانه ها با استفاده از شبکه های عصبی مصنوعی

    Article2013نشریه حفاظت منابع آب و خاک (علمی - پژوهشی)امین فلامکی، مهناز اسکندری، عبدالحسین بغلانی، سید احمد احمدی

    برآورد بار رسوب کل رودخانه­ها از مسائل مهم و کاربردی در مدیریت و برنامه­ریزی منابع آب است. غلظت رسوب می­تواند به روش­های مستقیم و یا غیرمستقیم محاسبه شود که معمولاً روش­های مستقیم پرهزینه و زمان­بر هستند. همچنین بار رسوب کل می­تواند به کمک روابط مختلف انتقال رسوب محاسبه شود، لیکن

  • پیش بینی ابتلا به دیابت با استفاده از شبکه عصبی مصنوعی

    Articleمجله علوم پزشکی رازیفرزانه برفه ئی، مسعود صالحی، ایرج نجفی

    زمینه و هدف: بیماری دیابت با گسترش روزافزون و بار سنگینی که در نتیجه کنترل و درمان عوارض به مردم و کشور تحمیل می کند به یکی از چالش های مسئولین درمانی و دولتی تبدیل شده است. از این رو پیشگیری از بروز و پیشرفت آن در اولویت قرار می گیرد که این امر تنها با شناسایی عوامل مؤثر و کنترل

  • پیش بینی روند قیمتی سهام با استفاده از شبکه عصبی LSTM و تحلیل تکنیکال

    Article2026بورس اوراق بهادارنرگس نوروزی، محمدحسین اسمعیلی حوری

    بازارهای مالی نقش مهمی در تخصیص سرمایه و رشد اقتصادی ایفا می کنند؛ از این رو پیش بینی دقیق روند قیمت سهام از اهمیت ویژه ای برخوردار است. این پژوهش رویکردی نوآورانه برای پیش بینی روند قیمت سهام در بازار بورس اوراق بهادار تهران ارائه می دهد که ترکیبی از روش های امواج الیوت، تحلیل ا

  • ارزیابی قابلیت ضریب مشارکت ژنراتورها به منظور تعیین نوع نوسانات سیگنال کوچک سیستم قدرت با استفاده از روش های تحلیلی و پیش بینی همزمان آن ها با استفاده از شبکه عصبی

    Articleمدلسازی در مهندسیمحمد حسین ولایتی، mohammad hossein velayati دانشگاه سمنان نیما امجدی، nima amjady the small signal rotor angle stability which is called the small signal stability is an important issue in planning and operation of power systems. this type of stability is analyzed in four categories which include local, inter-area, control and torsional oscillations. identification and segregation of these oscillations behavior can be used for applying control actions such as excitation system and power system stabilizer parameters tuning in order to control the oscillations damping. determining the frequency of the system's critical modes and participation factors of the generators in these modes are one of the conventional methods for analyzing these oscillations which are calculated using analytical methods such as modal analysis. in this paper, capability of the generators' participation factor for determining the inter-area and local oscillations are studied at first by means of analytical methods. conventional methods (e.g., modal analysis and time–domain simulations) are challenging and time consuming tasks. thus, the generators' participation factor and power system oscillations type in the critical mode are predicted using a hybrid method containing a feature selection and probabilistic neural network (pnn) part. the advantage of the proposed method is the accuracy, fast calculations, simultaneous prediction of oscillations type and their participation in the dominant state variable of the generators in the critical modes. سید احمد حسینی، seyyed ahmad hosseini the small signal rotor angle stability which is called the small signal stability is an important issue in planning and operation of power systems. this type of stability is analyzed in four categories which include local, inter-area, control and torsional oscillations. identification and segregation of these oscillations behavior can be used for applying control actions such as excitation system and power system stabilizer parameters tuning in order to control the oscillations damping. determining the frequency of the system's critical modes and participation factors of the generators in these modes are one of the conventional methods for analyzing these oscillations which are calculated using analytical methods such as modal analysis. in this paper, capability of the generators' participation factor for determining the inter-area and local oscillations are studied at first by means of analytical methods. conventional methods (e.g., modal analysis and time–domain simulations) are challenging and time consuming tasks. thus, the generators' participation factor and power system oscillations type in the critical mode are predicted using a hybrid method containing a feature selection and probabilistic neural network (pnn) part. the advantage of the proposed method is the accuracy, fast calculations, simultaneous prediction of oscillations type and their participation in the dominant state variable of the generators in the critical modes.

    پایداری زاویه ای سیگنال کوچک رتور که از آن به عنوان پایداری سیگنال کوچک نیز یاد می شود، یکی از مهمترین عوامل در برنامه ریزی و بهره برداری سیستم های قدرت است. این نوع از پایداری ها، در چهار حالت نوسانی شامل نوسانات درون ناحیه ای، بین ناحیه‎ای، کنترلی و پیچشی مورد بررسی قرار می گیر

  • امکانسنجی امکان پیش بینی غلظت ذرات معلق با استفاده از شبکه عصبی ( مطالعه موردی: شهر تبریز)

    Article2021نیوارالهام اسراری، توحید ایرانی

    ذرات معلق یکی از آلاینده‌ها ی مهم هوا است ، که بر سلامتی انسان تاثیرات منفی دارد. بدیهی است تخمین و پیش‌بینی غلظت این ذرات مهم است. در این تحقیق با استفاده از مقایسه شبکه عصبی مصنوعی پیش‌خور پس‌انتشار و شبکه عصبی مصنوعی بازگشتی(NAR,NARX) و فازی تطبیقی(ANFIS) به تخمین ذرات معلق شه