آمار
| تعداد نشریات | 21 |
| تعداد شماره‌ها | 472 |
| تعداد مقالات | 3,715 |
| تعداد مشاهده مقاله | 5,584,588 |
| تعداد دریافت فایل اصل مقاله | 3,320,409 |
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 | ||
| مقاله 6، دوره 6، شماره 3، مهر 1405، صفحه 117-132 اصل مقاله (1.18 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22126/atwe.2025.12623.1185 | ||
| نویسندگان | ||
| محمدرضا مسعودی مقدم* 1؛ محمدسعید زرخوان2؛ جعفر یزدی3 | ||
| 1گروه مهندسی منابع آب، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران ، ایران. | ||
| 2گروه مهندسی منابع آب ، دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی، تهران، ایران. | ||
| 3گروه مهندسی منابع آب، دانشکده مهندسی عمران، آب و محیط زیست ، دانشگاه شهید بهشتی، تهران، ایران. | ||
| چکیده | ||
| هدف: هدف اصلی این پژوهش، توسعه یک چارچوب یکپارچه برای پیش‌بینی قطر متوسط رسوبات بستر رودخانه (D50) و 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. همچنین، تحلیل عدم قطعیت با استفاده از تکنیک Monte Carlo Dropout به‌منظور ارزیابی میزان اطمینان پیش‌بینی‌های مدل LSTM انجام شد. روش پژوهش: داده‌های سری زمانی تراز آب با فرکانس بالا که با استفاده از یک سنسور اولتراسونیک کم‌هزینه ثبت شده بودند، به‌عنوان ورودی مدل‌ها مورداستفاده قرار گرفتند. برای ایجاد یک سری زمانی پیوسته از D50، داده‌های حاصل از نمونه‌های فیزیکی رسوبات بستر با استفاده از مدل فرایند گوسی (GP) بازسازی شدند. سپس مدل‌های LSTM و N-BEATS برای پیش‌بینی D50 توسعه و ارزیابی شدند. همچنین، تکنیک Monte Carlo Dropout برای تحلیل عدم قطعیت و ارزیابی میزان اطمینان پیش‌بینی‌های مدل LSTM به کار گرفته شد. یافته‌ها: هر دو مدل LSTM و N-BEATS توانایی بالایی در یادگیری الگوهای پیچیده و پیش‌بینی D50 نشان دادند. بااین‌حال، مدل N-BEATS با دستیابی به ضریب تعیین (R²) برابر با ۰.۸۷۱، عملکرد دقیق‌تری نسبت به مدل LSTM با R² برابر با ۰.۸۶۱ داشت. این نتایج نشان‌دهنده برتری N-BEATS در دقت پیش‌بینی نقطه‌ای قطر متوسط رسوبات بستر است. نتیجه‌گیری: دریچه‌های سالونی مستطیلی چندگانه دارای تبدیل تدریجی، با بهبود عملکرد هیدرولیکی، می‌توانند به‌عنوان ابزاری قابل‌اعتماد برای اندازه‌گیری و کنترل جریان در کانال‌های روباز مورداستفاده قرار گیرند. | ||
| کلیدواژه‌ها | ||
| پیش‌بینی D50؛ یادگیری عمیق؛ سنسور اولتراسونیک؛ تحلیل عدم قطعیت؛ N-BEATS | ||
| مراجع | ||
|
ادیب راد، رزا.، خسرو ی نژاد، بیتا.، و ادیب راد، محمدحسین. (1404). کاربرد مدل هوش مصنوعی ماشین آموزش نیرومند با حذف داده پرت (ORELM) در پیش‌بینی دبی رودخانه. نشریه فناوری های پیشرفته در بهره وری آب، 5(3)، 55-44.
https://doi.org/10.22126/atwe.2025.11918.1159
اکبری، علیرضا.، پوررضا بیلندی، محسن.، خاشعی سیوکی، عباس.، کلانکی، مهدی.، و میان آبادی، آمنه. (1403). بررسی عدم قطعیت پارامترهای مدل گیاهی DSSAT در برآورد عملکرد گیاه پنبه با استفاده از روش GLUE. نشریه فناوری های پیشرفته در بهره وری آب،4(4)، 19-34. https://doi.org/10.22126/atwe.2024.10960.1135
پیروزمهر، صفورا.، ایزدبخش، محمد علی.، شعبانلو، سعید.، رجبی، احمد.، و یوسفوند، فریبرز. (1404). شبیه‌سازی نوسانات سطح آب زیرزمینی با استفاده از مدل‌های یادگیری ماشین رگرسیون خطی (SVR) و یادگیری افراطی (ELM). نشریه فناوری های پیشرفته در بهره وری آب، 5(3)، 1-19. https://doi.org/10.22126/atwe.2025.11658.1150 | ||
|
آمار تعداد مشاهده مقاله: 302 تعداد دریافت فایل اصل مقاله: 47 |
||