آمار
| تعداد نشریات | 23 |
| تعداد شماره‌ها | 368 |
| تعداد مقالات | 2,890 |
| تعداد مشاهده مقاله | 2,566,170 |
| تعداد دریافت فایل اصل مقاله | 1,821,829 |
بهبود کارایی شبکه عصبی مبتنی بر رفتار گروهی با داده‌ها(GMDH) با استفاده از الگوریتم بهینه‌سازی ﺟﺴﺘﺠﻮﻱ ﻫﺎﺭﻣﻮنی (HSA) برای شبیه‌سازی جریان ماهانه رودخانه | ||
| فناوری های پیشرفته در بهره وری آب | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 05 فروردین 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22126/atwe.2025.11456.1146 | ||
| نویسندگان | ||
| مریم اکبری چگنی1؛ محمد علی ایزدبخش* 2؛ سعید شعبانلو3؛ فریبرز یوسفوند4؛ بهروز یعقوبی5؛ احمد رجبی6 | ||
| 1گروه مهندسی آب ، واحد کرمانشاه، دانشگاه آزاد اسلامی ، کرمانشاه ، ایران. | ||
| 2گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران . | ||
| 3گروه مهندسی آب ، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه ، ایران. | ||
| 4گروه مهندسی آب، واحد کرمانشاه ، دانشگاه آزاد اسلامی، کرمانشاه، ایران. | ||
| 5گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران. | ||
| 6گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه ، ایران. | ||
| چکیده | ||
| هدف: این پژوهش باهدف توسعه و بهبود مدل شبکه عصبی مبتنی بر برخورد جمعی با داده‌ها (GMDH) برای شبیه‌سازی جریان ماهانه رودخانه انجام شد. روش پژوهش: برای این منظور، الگوریتم بهینه‌سازی جستجوی هارمونی (HSA) به‌منظور ارتقای عملکرد مدل GMDH استفاده شد و مدل ترکیبی HSA-GMDH ارائه گردید. پارامترهایی نظیر حداکثر تعداد لایه‌ها و حداکثر تعداد نورون‌ها در هر لایه از طریق روش آزمون‌وخطا تعیین شدند. همچنین، پارامترهای مختلف الگوریتم HSA نیز با رویکرد آزمون‌وخطا تنظیم شدند. در این مطالعه، داده‌های بارش و جریان رودخانه گاماسیاب در استان کرمانشاه طی یک بازه زمانی ۲۰ ساله (1370-1390) به کار گرفته شد. برای توسعه مدل GMDH، از ۸۰ درصد داده‌ها جهت آموزش مدل و از ۲۰ درصد باقی‌مانده برای ارزیابی آن استفاده گردید. علاوه بر این، بهترین متغیرهای ورودی به مدل با روش آزمون‌وخطا شناسایی شدند و براین‌اساس، سه مجموعه داده (D1، D2 و D3) تشکیل شد. سپس عملکرد مدل‌های GMDH و HSA-GMDH با استفاده از هر یک از این مجموعه داده‌ها مورد ارزیابی قرار گرفت و درنهایت، مقایسه‌ای میان عملکرد این دو مدل صورت پذیرفت. یافته‌ها: بر اساس نتایج حاصل مدل GMDH با دیتاست D1 بهترین عملکرد را در مرحله آموزش و تست دارد و با دیتاست D2 بدترین عملکرد را در مرحله آموزش و تست دارد همچنین این مدل با دیتاست D3 نسبت به مدل D1 عملکرد ضعیف‌تری دارد؛ اما نسبت به دیتاست D2 عملکرد بهتری دارد. بر اساس نتایج حاصل هر سه مدل GMDH توسعه‌یافته با HSA نسبت به مدل‌های GMDH توسعه‌یافته با روش سعی و خطا کارایی بهتری دارند. بر اساس نتایج حاصل مدل HSA-GMDH(D1) نسبت به مدل GMDH(D1) عملکرد بهتری در مرحله آموزش و تست دارد. مدل HSA-GMDH(D2) نیز نسبت به مدل GMDH(D2) عملکرد بهتری دارد. مدل HSA-GMDH(D3) نیز نسبت به مدل GMDH(D3) عملکرد بهتری دارد. نتیجه‌گیری: نتایج این پژوهش نشان داد که مدل HSA-GMDH عملکرد بهتری نسبت به مدل GMDH دارد؛ بنابراین، مدل پیشنهادی HSA-GMDH به‌عنوان یک ابزار قدرتمند می‌تواند در شبیه‌سازی جریان ماهانه رودخانه مورداستفاده قرار گیرد. | ||
| کلیدواژه‌ها | ||
| شبکه عصبی GMDH؛ الگوریتم بهینه‌سازی جستجوی هارمونی؛ جریان ماهانه رودخانه؛ یادگیری ماشین | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 23 |
||