پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,239 |
| تعداد مقالات | 67,855 |
| تعداد مشاهده مقاله | 115,384,423 |
| تعداد دریافت فایل اصل مقاله | 90,155,472 |
بررسی عدم‌قطعیت مدل‌های شبکۀ عصبی مصنوعی و عصبی فازی در پیش بینی رواناب حوضۀ رودخانۀ بشار | ||
| 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 | ||
| عنوان مقاله [English] | ||
| Uncertainty Analysis of Artificial Neural Network and Fuzzy Neural Models in Rainfall-Runoff Simulation of Bashar River Basin | ||
| نویسندگان [English] | ||
| Hossein Montaseri1؛ Mehdi Tabe-bordbar2؛ Ahmad Ayase3؛ Reza Khalili4 | ||
| 1Assistant Professor, Department of Civil Engineering, Water Resources Management, Yasouj University | ||
| 2Graduated M.Sc. Student, Department of Civil Engineering, Faculty of Civil Engineering, Yasouj University, Iran | ||
| 3Ph.D. in Water Science and Engineering, Regional Water Company of Kohkiloyeh and Boyer Ahmad Province | ||
| 4PhD student, Department of Water and Wastewater, Shahid Beheshti University, Tehran, Iran | ||
| چکیده [English] | ||
| In this research, in order to select an appropriate model for predicting river flow in the Bashar River basin, data-driven models including multilayer perceptron artificial neural network and fuzzy neural network from the Sugeno fuzzy inference system were used using the clustering reduction method, and the analysis of uncertainty of these models was investigated.The data used in this research includes monthly values of rainfall and average temperature at rain gauge stations, as well as monthly average river discharge at the hydrological station located in the Bashar River basin from the years 1979-1980 to 2018-2019. The sensitivity analysis results on the number of neurons in the hidden layer of the neural network showed that the optimal number of neurons in the hidden layer for the input combination is 13.Based on the root mean square error (RMSE) index, the best combination of input variables for simulating river flow in both the neural network and neural-fuzzy network models was determined to be the input combination consisting of average river discharge with one-month and two-month lag along with monthly rainfall values and monthly rainfall values with one-month and two-month lag.In order to investigate the uncertainty of the models, the artificial neural network and neural-fuzzy network models were employed in the form of Monte Carlo sampling.The results of the uncertainty analysis showed that, for the same random input variables, the deviation from the mean in the output of the neural network model is higher than that of the neural-fuzzy network model. Additionally, the results obtained from calculating the confidence interval indicate that the confidence interval for different confidence levels is smaller in the neural-fuzzy network compared to the neural network. For example, in the neural network model with 98% confidence, the output is within the range of (0.64 and 0.36), whereas in the neural-fuzzy network model with 98% confidence, the output is between the range of (0.69 and 0.53). This indicates a higher level of uncertainty in the results of the neural network model. | ||
| کلیدواژه‌ها [English] | ||
| Uncertainty, Monte Carlo method, Artificial Neural Network, Fuzzy Network, Bashar River Basin | ||
| 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: 62 تعداد دریافت فایل اصل مقاله: 102 |
||