تعداد نشریات | 161 |
تعداد شمارهها | 6,532 |
تعداد مقالات | 70,501 |
تعداد مشاهده مقاله | 124,099,089 |
تعداد دریافت فایل اصل مقاله | 97,206,666 |
پیشبینی جریان ورودی به سد علویان با استفاده از سیستم تطبیقی فازی-عصبی بهینهشده | ||
تحقیقات آب و خاک ایران | ||
مقاله 1، دوره 47، شماره 3، آبان 1395، صفحه 439-448 اصل مقاله (1.17 M) | ||
نوع مقاله: مقاله پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ijswr.2016.59314 | ||
نویسنده | ||
فرهاد میثاقی* | ||
دانشگاه زنجان | ||
چکیده | ||
در این تحقیق با استفاده از اطلاعات روزانه، هفتگی، 10 روزه و ماهانه آب ورودی به سد علویان در شمال غرب ایران، جریان بهنگام آب ورودی به مخزن با استفاده از سیستم تطبیقی فازی-عصبی بهینهشده (OANFIS) پیشبینیشده است. بهمنظور تعیین تعداد و فواصل زمانی ورودیهای مدل، از دو الگوریتم جستجوی ترتیبی (Sequential Search) و جستجوی جامع (Exhaustive Search) جهت حداقل نمودن خطای پیشبینی استفادهشده است. در جستجوی ترتیبی 17 مدل در مقیاس زمانی روزانه، هفتگی، 10 روزه و ماهانه با ورودی جریان آب به مخزن سد در گامهای زمانی مختلف،بهعنوان ورودی و جریان در زمان V(t) بهعنوان خروجی، توسعه و مقایسه شده است. در جستجوی جامع نیز ترکیب 2 از 10 و 3 از 10 که شامل 45 و 120 مدل در گام زمانی V(t-1) تا V(t-10) بهعنوان ورودی و خروجی در گام زمانی V(t)، توسعه و مقایسه شده است. بهمنظور ارزیابی کارایی مدلهای توسعهیافته، از شاخصهای آماری و آزمون نکویی برازش استفادهشده است. در الگوریتم ترتیبی و مقیاس روزانه در اولین گام ورودی V(t-1) با RMSE صحت یابی برابر 211/0 میلیون مترمکعب، در گام دوم ترکیب ورودی V(t-1) و V(t-8) با RMSE صحت یابی برابر 187/0 میلیون مترمکعب و در گام سوم V(t-4),V(t-3),V(t-1) با RMSE صحت یابی برابر 5247/1 میلیون مترمکعب انتخابشده است. در مقیاس هفتگی در اولین گام ورودی V(t-1) با RMSE صحت یابی برابر 175/0 میلیون مترمکعب، در گام دوم ترکیب ورودی V(t-1) و V(t-3) با RMSE صحت یابی برابر 192/0 میلیون مترمکعب و در گام سوم V(t-9),V(t-8),V(t-1) با RMSE صحت یابی برابر 3912/0 میلیون مترمکعب انتخابشده است. در کلیه مدلهای بهینه در مقیاسهای زمانی موردبررسی، ورودی V(t-1) بهعنوان یک متغیر تأثیرگذار حضورداشته و خروجی مدل از حساسیت بالایی نسبت به تغییرات آنکه دارای کمترین فاصله زمانی با خروجی نیز میباشد، برخوردار است. | ||
کلیدواژهها | ||
سیستم تطبیقی فازی-عصبی بهینه شده (OANFIS)؛ جستجوی ترتیبی؛ جامع | ||
مراجع | ||
Bisht, D. C. S, Mohan Raju, M and Joshi, M. C. (2009). Simulation of water table elevation fluctuation using fuzzy-logic and ANFIS. Computer Modelling and New Technologies, 13(2), 16–23. Firat, M., and Gungor, M., (2006). River flow estimation using adaptive neuro fuzzy interface system. Mathematics and Computer in Simulation, Matcom-2710. Guan-De Wu, Shang-Lien Lo., (2008). Predicting real-time coagulant dosage in water treatment by artificial neural networks and adaptive network-based fuzzy inference system. Engineering Applications of Artificial Intelligence, 21,1189– 1195. Nayak, P, C., Sudheer, K, P., Rangan, D, M., and Ranasastri, K, S., (2004). A neurofuzzy computing technique for modeling hydrological time series. Journal of Hydrology, 291, 52-66. Nash, J.E., Sutcliffe, J.V., (1970). River flow forecasting through conceptual models. Part 1. A discussion of principles. Journal of Hydrology, 10 (3), 282–292. Pennell, K.D., Hornsby, A.G., Jessup, R.E., Rao, P.S.C., (1990). Evaluation of five simulation models for predicting aldicarb and bromide behaviour under field conditions. Water Resources Research, 26 (11), 2679–2693. Sugeno, Li, Y.P. G.H. Huang, Z.F. Yang and S.L. Nie., (2008). IFMP: Interval-fuzzy multistage programming for water resources management under uncertainty. Resources, Conservation and Recycling, 52. pp 800–812. Tabari, H., Kisi, O., Ezani, A., and Hosseinzadeh Talaee., (2012). SVM, ANFIS, regression and climate based models for reference evapotranspiration modeling using limited climatic data in a semi-arid highland environment. Journal of Hydrology 444–445, 78–89. Taleia, A., Chye Chuab, L.H., and Wong, T. S.W. (2010). Evaluation of rainfall and discharge inputs used by Adaptive Network-based Fuzzy Inference Systems (ANFIS) in rainfall–runoff modeling. Journal of Hydrology, Vol. 391,248–262. | ||
آمار تعداد مشاهده مقاله: 1,018 تعداد دریافت فایل اصل مقاله: 1,061 |