آمار
| تعداد نشریات | 20 |
| تعداد شمارهها | 419 |
| تعداد مقالات | 3,362 |
| تعداد مشاهده مقاله | 3,532,604 |
| تعداد دریافت فایل اصل مقاله | 2,296,838 |
چارچوبی یکپارچه برای پایش بلادرنگ رسوبات رودخانه: تلفیق هیدرومتری کمهزینه با مقایسه مدلهای LSTM و N-BEATS و تحلیل عدم قطعیت | ||
| فناوری های پیشرفته در بهره وری آب | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 13 آبان 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22126/atwe.2025.12623.1185 | ||
| نویسندگان | ||
| محمدرضا مسعودی مقدم* ؛ محمدسعید زرخوان | ||
| دانشگاه شهید بهشتی | ||
| چکیده | ||
| پایش دقیق و بلادرنگ پارامترهای هیدرولیکی و رسوبی رودخانهها، برای مدیریت پایدار منابع آب و کاهش خطراتی مانند سیلاب و فرسایش، امری ضروری است. این پژوهش، یک چارچوب کامل و یکپارچه، از مرحله ساخت سختافزار تا مدلسازی پیشرفته نرمافزاری، برای پیشبینی قطر متوسط رسوبات بستر (D50) ارائه میدهد. در این چارچوب، دادههای سری زمانی تراز آب با فرکانس بالا (توسط یک سنسور اولتراسونیک کمهزینه)، به عنوان ورودی برای پیشبینی یک سری زمانی پیوسته از D50 که با استفاده از مدل فرآیند گوسی (GP) و بر مبنای نمونههای فیزیکی بازسازی شده بود، به کار گرفته شد. هدف اصلی این تحقیق، مقایسه عملکرد دو معماری پیشرو در یادگیری عمیق، شامل شبکه حافظه طولانی کوتاهمدت (LSTM) و مدل تحلیل انبساط پایه عصبی (N-BEATS)، در پیشبینی D50 بود. علاوه بر این، با استفاده از تکنیک Monte Carlo Dropout، تحلیل عدم قطعیت برای ارزیابی میزان اطمینان مدل LSTM نیز انجام شد. نتایج نشان داد که هر دو مدل توانایی بالایی در یادگیری الگوهای پیچیده داشتند، اما مدل N-BEATS با دستیابی به ضریب تعیین (R²) ۰.۸۷۱، عملکردی دقیقتر از مدل LSTM با R² برابر با ۰.۸۶۱ از خود به نمایش گذاشت. این مطالعه، ضمن معرفی یک راهکار عملی و مقرونبهصرفه، یک موازنه راهبردی (strategic trade-off) مهم را آشکار میسازد: برتری N-BEATS در دقت پیشبینی نقطهای در مقابل قابلیت منحصربهفرد LSTM در ارزیابی ریسک از طریق تخمین عدم قطعیت، که انتخابی کلیدی برای کاربردهای مدیریتی فراهم میکند. | ||
| کلیدواژهها | ||
| پیشبینی D50؛ یادگیری عمیق؛ سنسور اولتراسونیک؛ تحلیل عدم قطعیت؛ N-BEATS | ||
|
آمار تعداد مشاهده مقاله: 103 |
||