آمار
| تعداد نشریات | 23 |
| تعداد شماره‌ها | 383 |
| تعداد مقالات | 3,036 |
| تعداد مشاهده مقاله | 2,760,820 |
| تعداد دریافت فایل اصل مقاله | 1,950,059 |
کاربرد مدل هوش مصنوعی ماشین آموزش نیرومند با حذف داده پرت (ORELM ) در پیش بینی دبی رودخانه | ||
| فناوری های پیشرفته در بهره وری آب | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 25 اسفند 1403 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22126/atwe.2025.11918.1159 | ||
| نویسندگان | ||
| رزا ادیب راد1؛ بیتا خسرو ی نژاد2؛ محمد حسین ادیب راد* 3 | ||
| 1گروه مهندسی کامپیوتر، دانشگاه رازی | ||
| 2گروه مهندسی آب ، دانشکده کشاورزی ، دانشگاه رازی، کرمانشاه | ||
| 3گروه مهندسی عمران، دانشگاه رازی | ||
| چکیده | ||
| پیش بینی جریان رودخانه برای دستیابی به اطلاعات کاربردی در مورد طیف گسترده ای از مشکلات مربوط به طراحی و بهره برداری از سیستم های رودخانه مورد نیاز است. با وجود اینکه مدلهای مفهومی یا مبتنی بر اطلاعات فیزیکی و داده های اقلیمی برای درک فرآیندهای هیدرولوژیکی اهمیت دارند، حوضه های فاقد آماری وجود دارند که پیش‌بینی دقیق جریان در آنها بر اساس داده های اقلیمی ممکن نیست. همچنین استفاده از مدلهای ریاضی علاوه بر پیچیدگی، نیاز به فرآیند وقت گیر واسنجی و صحت سنجی دارد. در چنین شرایطی ترجیح داده می‌شود که یک مدل ساده (داده محور یا یادگیری ماشین) توسعه داده شود تا با ایجاد ارتباط بین ورودی‌ها و خروجی‌ها بدون نیاز به اطلاعات و داده های گسترده برای پیش بینی مستقیم دبی رودخانه مورد استفاده قرار گیرد. هدف از این تحقیق بررسی کارایی مدل ماشین آموزش نیرومند (ORELM) برای پیش بینی دبی رودخانه قره سو در محل ایستگاه پل کهنه (کرمانشاه) می باشد. نتایج حاصل از کاربرد مدل هوش مصنوعی ORELM نشان می دهد این روش توانسته است در دوره آماری 65 ساله با کمترین میزان خطا در مراحل train و test دبی ورودی رودخانه را پیش بینی نماید. بطوری که مقدار RMSE در این روش در حالت تاخیر یک ماهه (t-1) در دو مرحله train و test به ترتیب 22/12و 14/4 بود. لذا با استفاده از مدل های هوش مصنوعی با صرف زمان و هزینه کم اطلاعات مدیریتی ارزشمندی در خصوص پیش بینی دبی جریان رودخانه در سال های خشک و تر به دست می آید. | ||
| کلیدواژه‌ها | ||
| پیش بینی دبی روخانه؛ یادگیری ماشین؛ پل کهنه؛ ORELM | ||
|
آمار تعداد مشاهده مقاله: 78 |
||