آمار
| تعداد نشریات | 45 |
| تعداد شمارهها | 1,539 |
| تعداد مقالات | 18,776 |
| تعداد مشاهده مقاله | 62,773,389 |
| تعداد دریافت فایل اصل مقاله | 22,709,429 |
برآورد میزان بار معلق رسوبات در رودخانه سفیدرود با استفاده از الگوریتمهای فراابتکاری | ||
| دانش آب و هیدرولیک | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 28 شهریور 1405 اصل مقاله (1.75 M) | ||
| نوع مقاله: مقاله کامل پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/hws.2026.72908.1057 | ||
| نویسندگان | ||
| میلاد فردادی شیلسر1؛ ابراهیم امیری* 2؛ جلال بهزادی3 | ||
| 1دانشجوی دکتری، گروه مهندسی آب، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، ایران | ||
| 2گروه آب،واحد لاهیجان،دانشگاه آزاد اسلامی،لاهیجان،ایران | ||
| 3استادیار، گروه کشاورزی، واحد لاهیجان، دانشگاه آزاد اسلامی، لاهیجان، لاهیجان، ایران | ||
| چکیده | ||
| این پژوهش کاربرد تلفیق شبکه عصبی مصنوعی با الگوریتمهای بهینهسازی را بهمنظور برآورد کمی بار معلق رسوبی ایستگاه آستانه رودخانه سفیدرود نشان داد. دادههای ورودی این شبیهسازی شامل دبی جریان و بار رسوب معلق رودخانه مذکور طی دوره آماری 1386 تا 1401 بود. شش مدل شبیهسازی نظیر، شبکه عصبی مصنوعی، نسخههای ترکیبی آن با مدلهای ژنتیک، ازدحام ذرات و رقابت استعماری، و همچنین دو مدل یادگیری ماشین شامل، جنگل تصادفی و بردار پشتیبان بهکار گرفته شد. دادهها بهصورت تصادفی به دو بخش آموزش (70 درصد) و آزمایش (30 درصد) تقسیم شدند، تا کارایی و عملکرد مدلها بهدرستی اعتبارسنجی شود. نتایج نشان داد که مدل ANN-ICA، عملکرد مطلوبی را با کمترین مقدار RMSE (14/4 میلیگرم بر لیتر) و ضریب تعیین 86/0 در مرحله آزمایش، بهترین قابلیت تعمیم را در بین مدلهای بررسیشده نشان داد. همچنین مدل ANN-GA با ضریب تعیین 86/0 عملکرد مشابهی داشت. اگرچه مدل جنگل تصادفی در مرحله آموزش بالاترین دقت را نشان داد (R²=0.90 و RMSE برابر با 49/3 میلیگرم بر لیتر)، اما کاهش عملکرد آن در مرحله آزمایش (R²=0.83 و RMSE برابر با 6/4 میلیگرم بر لیتر) احتمال بیشبرازش را نشان داد. همچنین، نتایج آزمون ناپارامتری فریدمن وجود اختلاف آماری معنادار بین عملکرد مدلها را تأیید کرد (p<0.05) و آزمون تعقیبی بونفرونی نشان داد که اختلاف معنادار عمدتاً بین مدل پایه ANN و سایر مدلهای پیشرفته مشاهده شد، درحالی که بین مدلهای پیشرفته اختلاف آماری معناداری وجود نداشت. تحلیل الگوی خطا و آزمایشهای آماری نیز بیانگر نبود بایاس زمانی و فقدان خطای ساختاری در شبیهسازی بود. | ||
| کلیدواژهها | ||
| مدلهای فراابتکاری؛ مدلهای یادگیری ماشین؛ برآورد دبی معلق رسوب؛ شبکه عصبی مصنوعی؛ مدلسازی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 2 |
||