اسرین حسینی؛ محمدرضا گلابی؛ صفر معروفی؛ نسیم خالدیان؛ محمد سلطانی
چکیده
شبیهسازی فرآیند بارش -رواناب به عنوان مهمترین گام در مطالعات مهندسی آب و مدیریت منابع آب است. برنامهریزی بهرهبرداری از منابع آبهای سطحی و زیرزمینی، ساماندهی رودخانهها و هشدار سیل نیاز به پیشبینی آبدهی رودخانه و رواناب حوزه آبخیز دارد. در مطالعه حاضر به منظور مدلسازی بارش- رواناب از روش شبکه عصبی توسعه یافته با فیلتر کالمن ...
بیشتر
شبیهسازی فرآیند بارش -رواناب به عنوان مهمترین گام در مطالعات مهندسی آب و مدیریت منابع آب است. برنامهریزی بهرهبرداری از منابع آبهای سطحی و زیرزمینی، ساماندهی رودخانهها و هشدار سیل نیاز به پیشبینی آبدهی رودخانه و رواناب حوزه آبخیز دارد. در مطالعه حاضر به منظور مدلسازی بارش- رواناب از روش شبکه عصبی توسعه یافته با فیلتر کالمن (EKFNN) استفاده شد و سپس نتایج با روش برنامهریزی بیان ژن (GEP) که در اکثر مطالعات اخیر عملکرد خوبی از خود در مدلسازی بارش- رواناب نشان داده بود، مقایسه گردید. دادههای مورد استفاده در این مطالعه بارش و رواناب روزانه ایستگاههای بارانسنجی و آبسنجی دشت ملایر که شامل ایستگاههای پیهان، مرویل و نامیله است در طول دوره آماری 1380 تا 1392 میباشد. نتایج نشانگر برتری مدل EKFNNنسبت به مدل دیگر در مدلسازی جریان روزانه رودخانه در دشت ملایر داشت. علاوه بر این سرعت اجرای مدل برنامهریزی بیان ژن بیشتر بود و در زمان کوتاهی قادر به ارائه نتایج بود. در نهایت مدل EKFNN به عنوان مدل برتر برای دشت ملایر انتخاب شد.
معصومه زینعلی؛ محمد رضا گلابی؛ محمد رضا شریفی؛ مریم حافظ پرست
چکیده
با پیشبینی جریان رودخانهها علاوه بر مدیریت بهرهبرداری از منابع آب، میتوان حوادث طبیعی نظیر سیل و خشکسالی را نیز پیشبینی و مهار کرد. استفاده از مدلهای جدید در این زمینه میتواند به مدیریت و برنامهریزی صحیح کمک کند. در این مطالعه، به ارزیابی سه مدل به نامهای، برنامهریزی بیان ژن (GEP)، شبکه بیزین ...
بیشتر
با پیشبینی جریان رودخانهها علاوه بر مدیریت بهرهبرداری از منابع آب، میتوان حوادث طبیعی نظیر سیل و خشکسالی را نیز پیشبینی و مهار کرد. استفاده از مدلهای جدید در این زمینه میتواند به مدیریت و برنامهریزی صحیح کمک کند. در این مطالعه، به ارزیابی سه مدل به نامهای، برنامهریزی بیان ژن (GEP)، شبکه بیزین (BN) و ماشین بردار پشتیبان (SVM) پرداخته شده است. دادههای مورد استفاده برای این پژوهش، دادههای بارش و جریان روزانه رودخانه گاماسیاب نهاوند در یک دوره 10 ساله (1391-1381) میباشد. نتایج نشانگر برتری نسبی مدل برنامهریزی بیان ژن نسبت به بقیه مدلها بود و مدل ماشین بردار پشتیبان (SVM) تقریبا عملکرد بهتری نسبت به شبکه بیزین در مدلسازی جریان روزانه رودخانه داشت. علاوه بر این، سرعت اجرای مدل برنامهریزی بیان ژن نسبت به بقیه مدلها بیشتر بود و در زمان کوتاهی قادر به ارائه نتایج بود. همچنین، مدل SVM در تخمین مقادیر کمینه پایانی نیز دچار بیش برازش شده است. در نهایت مدل برنامهریزی بیان ژن با ضریب تبیین 0.9230 و جذر میانگین مربعات 0.5867 در مرحله آموزش و ضریب تبین 0.9025 و جذر میانگین مربعات 0.4936 در مرحله تست، بهعنوان مدل برتر انتخاب شد.