تعداد نشریات | 44 |
تعداد شمارهها | 1,311 |
تعداد مقالات | 16,093 |
تعداد مشاهده مقاله | 52,668,635 |
تعداد دریافت فایل اصل مقاله | 15,335,733 |
استفاده از داده های مصنوعی تولید شده در مدلسازی تراوش سد خاکی با استفاده از ترکیب مدلهای هوش مصنوعی | ||
دانش آب و خاک | ||
مقاله 3، دوره 30، شماره 1، فروردین 1399، صفحه 29-41 اصل مقاله (761.71 K) | ||
نویسندگان | ||
الناز شرقی* 1؛ وحید نورانی2؛ نازنین بهفر3 | ||
1عضو هیئت علمی گروه مهندسی عمران-آب، دانشکده عمران، دانشگاه تبریز، تبریز، ایران | ||
2عضو هیات علمی | ||
3گروه مهندسی عمران-آب، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران | ||
چکیده | ||
اخیراً مدلهای هوش مصنوعی مثل شبکه عصبی مصنوعی پیشرو و رگرسیون بردار پشتیبان قابلیت بالایی در مدلسازی سریهای زمانی غیرخطی هیدرولیکی نشان دادهاند. مدلهای هوش مصنوعی روشهایی موثر برای بررسی و مدلسازی مقادیر زیادی از دادههای دینامیک، غیرخطی و دارای خطا ارائه میدهند. از اینرو در این مقاله مسئله تراوش سد خاکی ستارخان با استفاده از دو مدل جعبه سیاه هوش مصنوعی شبکه عصبی مصنوعی پیشرو و رگرسیون بردار پشتیبان، بر اساس دو سناریو با ترکیب ورودیهای مختلف مورد بررسی قرار گرفته و سپس به عنوان یک روش پیشپردازش برای بهبود عملکرد مدل، سریهای نوفه با توزیع نرمال، میانگین صفر وانحراف معیارهای مختلف تولید شده و با افزودن آنها به دادههای اصلی و تشکیل مجموعههای آموزشی مختلف، شبیهسازی تراوش با استفاده از مدلهای هوش مصنوعی انجام شد. در ادامه به عنوان روشی دیگر برای بهبود عملکرد مدل، روش پسپردازش ترکیب مدل با استفاده از خروجی مدلهای منفرد به کار گرفته شد. روش ترکیب مدل با استفاده از روش میانگینگیری غیرخطی با استفاده از شبکه عصبی مصنوعی انجام گرفت. نتایج حاکی از آن است که به کارگیری همزمان هر دو روش جیترینگ دادهها و ترکیب مدل، باعث بهبود دقت مدل تا 32% در مرحله صحتسنجی میشود. | ||
کلیدواژهها | ||
تراوش سد خاکی؛ ترکیب مدل؛ جیترینگ دادهها؛ سد خاکی ستارخان؛ مدلهای هوش مصنوعی | ||
مراجع | ||
Barzegar R, Asghari Moghaddam A and Fijani E, 2019. Forecasting monthly water level fluctuations of Lake Urmia using supervised committee machine artificial intelligence model. Water and Soil Science-University of Tabriz 29(1): 165-177. (In Persian) Bates JM and Granger CWJ, 1969. The combination of forecasts. Operational Research Quarterly 20: 451–468. Cortes C and Vapnik V, 1995. Support-vector networks. Machine Learning 20: 273-297. Emami S, Arvanaghi H and Parsa J, 2017. Forcasting of seepage from body of earthfill dam using artificial neural network (Case study: Shahid Kazemi Boukan dam). Journal of Dam and Hydroelectric PowerPlant 14: 24-34. (In Persian) Eskandari A, Solgi A and Zarei H, 2018. Simulating fluctuations of groundwater level using combination of support vector machine and wavelet transform. Irrigation Sciences and Engineering 41(1): 165-180. (In Persian) Hornik K, Stinchcombe M and White H, 1989. Multilayer feedforward networks are universal approximators. Neural Networks 2(5): 359-66. Liu Y and Pender G, 2015. A flood inundation modeling using v-support vector machine regression model. Engineering Applications of Artificial Intelligence 46: 223–231. Moayeri MM, Nikpoor R, Hoseinzadeh Dalir A and Farsadizadeh D, 2009. Comparison of artificial neural networks, adaptive neuro-fuzzy and sediment rating curve models for estimating suspended sediment load of Ajichay River. Water and Soil Science-University of Tabriz 20(2): 71-82. (In Persian) Noori R, Karbassi AR and Moghaddamnia A, 2011. Assessment of input variables determination on the SVM model performance using PCA, gamma test and forward selection techniques for monthly stream flow prediction. Journal of Hydrology 401: 177–189. Nourani V, 2015. Basics of Hydroinformatics. Tabriz University Press. (In Persian) Nourani V and Partoviyan A, 2017. Hybrid denoising-jittering data pre-processing approach to enhance multi-step-ahead rainfall–runoff modeling. Stochastic Environmental Research and Risk Assessment 1-18. Nourani V, Sharghi E and Aminfar MH, 2012. Integrated ANN model for earthfill dams seepage analysis: Sattarkhan Dam in Iran. Artificial Intelligence Research 1(2): 22-37. Shamseldin AY, O’Connor KM and Liang GC, 1997. Methods for combining the outputs of different rainfall-runoff models. Journal of Hydrology 197: 203-229. Tayfure G, Swiatek D, Wita A and Singh VP, 2005. Case study: finite element method and artificial neural network models for flow through Jeziorsko earthfill dam in Poland. Journal of Hydraulic Engineering 131(6): 431–440. Vafaeian M, 2015. Earth Dams & Rockfill Dams. Arkan Danesh, Isfahan. (In Persian) Yongbiao L, 2012. Prediction methods to determine stability of dam if there is piping. IERI Procedia 1: 131-137. Yeganeh Fard M and Zahabiyoun B, 2014. Artificial flow production using artificial neural networks. Amirkabir Journal of Science & Research 46(1): 1-10. (In Persian) Zhang GP, 2003. Time series forecasting using a hybrid ARIMA and neural network model. Neurocomputing 50: 159–175. Zhang GP, 2007. A neural network ensemble method with jittered training data for time series forecasting. Information Sciences 177: 5329–5346. Zhang LM, Xu Y and Jia JS, 2009. Analysis of earth dam failures: A database approach. Georisk 3(3): 184-189. | ||
آمار تعداد مشاهده مقاله: 367 تعداد دریافت فایل اصل مقاله: 338 |