تعداد نشریات | 162 |
تعداد شمارهها | 6,696 |
تعداد مقالات | 72,311 |
تعداد مشاهده مقاله | 129,519,050 |
تعداد دریافت فایل اصل مقاله | 102,312,000 |
بررسی عدمقطعیت مدلهای شبکۀ عصبی مصنوعی و عصبی فازی در پیش بینی رواناب حوضۀ رودخانۀ بشار | ||
مجله اکوهیدرولوژی | ||
دوره 10، شماره 4، دی 1402، صفحه 529-544 اصل مقاله (1.7 M) | ||
نوع مقاله: پژوهشی | ||
شناسه دیجیتال (DOI): 10.22059/ije.2024.367471.1769 | ||
نویسندگان | ||
حسین منتصری* 1؛ مهدی تابع بردبار2؛ احمد ایاسه3؛ رضا خلیلی4 | ||
1استادیار گروه مهندسی عمران، گرایش مدیریت منابع آب دانشگاه یاسوج | ||
2کارشناس ارشد، گروه مهندسی عمران، دانشکدۀ مهندسی عمران، دانشگاه یاسوج، یاسوج، ایران | ||
3دکترای علوم و مهندسی آب، شرکت آب منطقه ای استان کهگیلویه و بویراحمد | ||
4دانشجوی دکتری، گروه مهندسی محیط زیست، دانشگاه شهید بهشتی، تهران، ایران | ||
چکیده | ||
در این پژوهش، به منظور انتخاب مدل مناسب به منظور پیشبینی رواناب در حوضۀ رودخانۀ بشار، از مدلهای دادهمحور شبکۀ عصبی مصنوعی از نوع پرسپترون چندلایه و شبکۀ عصبی فازی از سیستم استنتاج فازی سوگنو، به روش خوشهبندی کاهشی استفاده شد و تحلیل عدم قطعیت این مدلها مورد بررسی قرار گرفت. دادههای مورد استفاده در این پژوهش، شامل مقادیر ماهانۀ بارندگی و دمای متوسط در ایستگاههای بارانسنجی و آبدهی متوسط ماهانۀ رودخانۀ بشار در ایستگاه هیدرومتری واقع در این حوضه از سال 1358ـ 1359 تا 1397ـ 1398 است. نتایج حساسیتسنجی روی تعداد نرونهای لایۀ میانی در شبکۀ عصبی نشان داد بهترین تعداد نرون لایۀ میانی برای ترکیب ورودی بهینه برابر 13 است. بر اساس شاخص جذر میانگین مربعات خطا (RMSE)، بهترین ترکیب متغیرهای ورودی برای شبیهسازی دبی رودخانه، در هر دو مدل شبکۀ عصبی و شبکۀ عصبیـ فازی، ترکیب ورودی شامل دبیهای متوسط رودخانه با یک ماه و دو ماه تأخیر به همراه مقادیر بارش ماهانه و بارش ماهانه با یک ماه و دو ماه تأخیر تعیین شد. به منظور بررسی عدم قطعیت مدلها، مدلهای شبکۀ عصبی مصنوعی و عصبیـ فازی در قالب یک نمونهگیری مونتکارلو به کار گرفته شدند. نتایج بررسی عدم قطعیت نشان داد به ازای متغیرهای ورودی تصادفی یکسان، میزان انحراف از معیار در خروجی مدل شبکۀ عصبی بیشتر از مدل شبکۀ عصبی فازی است. همچنین نتایج حاصل از محاسبۀ فاصلۀ اطمینان نشان میدهد بازۀ اطمینان برای مقادیر اطمینان مختلف، در شبکۀ عصبی فازی کوچکتر است، به طوری که در مدل شبکۀ عصبی با اطمینان 98 درصد خروجی در بازه (64/0 و 036/0) قرار دارد، اما در مدل عصبیـ فازی با اطمینان 98 درصد، خروجی بین بازه (69/0 و 53/0) قرار دارد که نشان از عدم قطعیت بیشتر در نتایج مدل شبکۀ عصبی دارد. | ||
کلیدواژهها | ||
عدم قطعیت؛ مونتکارلو؛ شبکه عصبی مصنوعی؛ شبکه فازی؛ حوضه رودخانه بشار | ||
مراجع | ||
[1]. Abbaszadeh H, Norouzi R, Süme V, Daneshfaraz R, Tarinejad R.Discharge coefficient of combined rectangular-triangular weirs using soft computing models. Journal of Hydraulic Structures, 2023, 98–110.
[2]. Hassanzadeh Y, Abbaszadeh H. Investigating Discharge Coefficient of Slide Gate-Sill Combination Using Expert Soft Computing Models, Journal of Hydraulic Structures,2023, 63–80.
[3]. Aqil M, Kita I, Yano A, Nishiyama, S. Analysis and prediction of flow from local source in a river basin using a Neuro-fuzzy modeling tool, Journal of environmental management, 2007, 215–223.
[4]. Eskandari A, Noori R, Vesali Naseh MR. Saeedi F. Uncertainty Evaluation of ANN and ANFIS Models in Inflow Forecasting into the Raees-Ali Delvari Dam,” Journal of Environmental Science and Technology, 2019, 31–47.
[5]. Nadiri AA, Yousefzadeh S. A Comparison of the Performance of Artificial Neural Network, Fuzzy Logic and Adaptive Neuro-Fuzzy Inference Systems Models in the Estimation of Aquifer Hydraulic Conductivity. A Case Study: Maraghe-Bonab Aquifer, Hydrogeomorphology, 2017, 21–40.
[6]. Razzaghzadeh Z, Nourani V, Behfar N. The conjunction of feature extraction method with AI-based ensemble statistical downscaling models, Amirkabir Journal of Civil Engineering, 2020.
[7]. Hassanzadeh Y, Moazamnia M, Sadeghfam S, Nadiri, A A. Hydraulic conductivity and uncertainty analysis of between-models and input data by using Bayesian model averaging of artificial intelligence model, Amirkabir Journal of Civil Engineering, 2020, 2171–2190.
[8]. Zeinalie M, golabi, M R, Niksokhan M H, Sharifi, M R. Modeling Daily River Flow Using Simulator Meta-Models (Case study: Gamasiab River), Journal of Environmental Science and Technology, 2020, 121–133.
[9]. Seifi, A, Ehteram, M, Singh, V P, Mosavi A. Modeling and uncertainty analysis of groundwater level using six evolutionary optimization algorithms hybridized with ANFIS, SVM, and ANN, Sustainability, 2020, 4023.
[10]. Riahi-Madvar H, Seifi A. Uncertainty analysis in bed load transport prediction of gravel bed rivers by ANN and ANFIS, Arabian Journal of Geosciences, 2018, 1–20.
[11]. Daneshfaraz R, Norouzi R, Ebadzadeh P, Di Francesco S, Abraham J P. Experimental study of geometric shape and size of sill effects on the hydraulic performance of sluice gates, Water, 2023, 314.
[12]. Abbaszade H, Norouzi R, Sume V, Kuriqi, Daneshfaraz R, Abraham J. Sill role effect on the flow characteristics (experimental and regression model analytical),” Fluids, 2023, 235. | ||
آمار تعداد مشاهده مقاله: 245 تعداد دریافت فایل اصل مقاله: 308 |