تحلیل عدم قطعیت مدل های شبکه عصبی و نروفازی در پیش بینی جریان رودخانه

Authors

  • سعید مرید دانشیار/گروه سازه های آبی، دانشگاه تربیت مدرس
Abstract:

پیش بینی آورد رودخانه در مدیریت منابع آب از اهمیت فراوانی برخوردار است، اما به دلیل عدم قطعیت بالا در عواملی که فرآیند بارش- رواناب را سبب می‌گردند، همواره با مشکلاتی همراه بوده است. یکی از روش‌هایی که می‌تواند این مشکل را تا حدی کاهش دهد، تحلیل‌ عدم قطعیت پیش‌بینی‌های انجام شده می‌باشد. این تحلیل‌ها در مدل‌های آماری سابقه طولانی دارند، ولی برای مدل‌های شبکه عصبی و نروفازی کمتر مورد استفاده قرار گرفته و این در شرایطی است که در سال‌های اخیر به مراتب توجه بیشتری به این تکنیک‌ها شده است. در مطالعه حاضر عدم قطعیت نتایج مدل‌های شبکه عصبی و نروفازی در پیش‌بینی 1 تا 3 ماه آینده جریان رودخانه مورد ارزیابی قرار گرفته و منطقه مطالعاتی رودخانه صوفی‌چای در محل ایستگاه تازه‌کند در نظر گرفته شده است. نتایج نشان می‌دهد که مدل نروفازی از دقت بالاتر در پیش‌بینی و عدم قطعیت کمتری برخوردار است، اما بطور مشخص برای پرآبی‌ها در هر دو مدل عدم قطعیت بیشتر شده که خطرپذیری (ریسک) کاربرد نتایج را افزایش می‌دهد.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

تحلیل دقت و عدم قطعیت مدل های هوشمند در پیش بینی ضریب انتشار طولی رودخانه ها

پیش بینی دقیق ضریب انتشار طولی در رودخانه های طبیعی تا حد بسیار زیادی در تعیین توزیع غلظت آلاینده ها در چنین محیط هایی مؤثر است. عدم قطعیت موجود در نتایج به دست آمده از مدل های پیش بینی می تواند در تصمیم گیری های مناسب برای برخورد با مواد آلاینده در رودخانه ها تأثیر منفی داشته باشد. به همین دلیل، تحلیل و تعیین عدم قطعیت مدل های مورد استفاده برای پیش بینی این پارامتر بسیار مفید است. در این تحقیق...

full text

پیش¬بینی جریان روزانه با استفاده از شبکه¬های عصبی مصنوعی و عصبی- موجکی (مطالعه موردی: رودخانه باراندوزچای)

پیش­بینی دقیق جریان در رودخانه­ها یکی از مهمترین ارکان در مدیریت منابع آبهای سطحی به ویژه جهت اتخاذ تدابیر مناسب در مواقع سیلاب و بروز خشکسالی­ها است. به دلیل اهمیت پیش­بینی جریان رودخانه، در این تحقیق جریان روزانه رودخانه­ی باراندوزچای در دو ایستگاه بی­بکران و دیزج طی یک دوره­ی آماری 20 ساله با استفاده از مدل عصبی- موجکی (WNN) که تلفیق آنالیز موجک و شبکه عصبی مصنوعی (ANN) می­باشد، پیش­بینی گرد...

full text

ترکیب روش شبکه های عصبی مصنوعی و مدل هیدرودینامیکی برای پیش بینی دقیق تر جریان رودخانه

در این تحقیق کاربرد روش سیستم عصبی مصنوعی در کاهش خطای مدل هیدرودینامیکی برای پیش بینی جریان رودخانه مورد بررسی قرارگرفته است. منطقه مورد مطالعه حوزه رینولدز کریک در جنوب غربی ایالت آیداهو در ایالات متحده آمریکا می باشد که دارای وسعتی معادل 239 کیلومتر مربع و اقلیم نیمه خشک است و به علت تغییرات بیش از حد بارندگی در نقاط مختلف این حوزه جریان رودخانه شدیداً متغیر است. در این تحقیق پس از کالیبراسیو...

full text

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

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 همزمان شبکه های عصبی mlp و مدلfsam، امکان پیش بینی جریان ماه (i) ام را در ارتباط با پیش بینی بارش همان ماه، میسر می سازد. ...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 5  issue 3

pages  14- 27

publication date 2010-06-01

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023