آمار
| تعداد نشریات | 41 |
| تعداد شماره‌ها | 1,129 |
| تعداد مقالات | 13,881 |
| تعداد مشاهده مقاله | 48,839,197 |
| تعداد دریافت فایل اصل مقاله | 12,578,304 |
شبیه‌سازی با استفاده از ماشین یادگیری و رگرسیون چندگانه در مهندسی هیدرولیک | ||
| دانش آب و خاک | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 01 فروردین 1403 | ||
| شناسه دیجیتال (DOI): 10.22034/ws.2021.48553.2445 | ||
| نویسندگان | ||
مجتبی پورسعید   1؛ امیرحسین پورسعید2؛ سعید شعبانلو3
| ||
| 1سازمان برنامه و بودجه، معاونت فنی | ||
| 2دانشجوی دکترای تخصصی مهندسی برق قدرت دانشگاه لرستان | ||
| 3دانشیار گروه مهندسی آب-واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه | ||
| چکیده | ||
| هوش مصنوعی یکی از روشهای ابداعی نسبتاً جدید در تحلیل و شبیه‌سازی پدیده‌های طبیعی است. مدل‌های هوش مصنوعی به عنوان روشهای قدرتمند در مدل‌سازی مسائل غیرخطی و پیچیده توانایی قابل توجهی داشته است. تحقیقات مختلفی در شاخه مدل‌سازی و تحلیل پارامتریک منابع آب انجام گرفته است. ولی در این مطالعه از 4 مدل هوش مصنوعی برای شبیه-سازی کیفی و کمی آب دریاچه میقان واقع در شهرستان اراک استان مرکزی استفاده شد. مدل‌های بکار گرفته شده در این مطالعه عبارتند از: مدل ماشین یادگیری نیرومند خودتطبیق (SAELM)، مدل حداقل مربعات رگرسیون بردار پشتیبان (LSSVM)، مدل شبکه های عصبی-فازی (ANFIS) و مدل آماری رگرسیون خطی چندگانه (MLR) که برای پیش‌بینی تغییرات پارامترهای هیدروژئولوژیکی استفاده شد. در این مطالعه پارامترهای کل جامدات محلول (TDS)، هدایت الکتریکی (EC)، شوری و سطح آب زیرزمینی (GWL) شبیه‌سازی شدند. همچنین با توجه به آمار شاخص‌های سنجش عملکرد، مدل SAELM دارای بالاترین دقت در شبیه-سازی دو پارامتر GWL و EC، مدل LSSVM بالاترین دقت را در شبیه‌سازی TDS و مدل MLR نیز در تخمین تغییرات پارامتر Salinity به عنوان بهترین مدل انتخاب گردید. جهت بررسی جامع دقت مدل‌ها برای مدل‌های برتر در شبیه‌سازی، با پنج رویکرد عملکرد مدل‌ها مورد سنجش قرار گرفت. رویکردهای مورد نظر عبارت بودند از: 1) سنجش با نمودار پیش‌بینی 2) سنجش عملکرد با شاخص‌های ریاضی 3) سنجش عملکرد به روش عدم قطعیت ویلسون 4) سنجش دقت با نمودارهای توزیع خطا و 5) سنجش عملکرد با نمودارهای نرخ اختلاف خطا. در پایان کلیه نتایج به ترتیب در پایان هر قسمت آورده شده است. | ||
| کلیدواژه‌ها | ||
| ماشین یادگیری نیرومند خودتطبیق؛ ماشین یادگیری حداقل مربعات بردار پشتیبان؛ شبکه‌های عصبی نروفازی؛ رگرسیون خطی چندگانه؛ تحلیل عدم قطعیت | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 53 |
||
