این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات آب و خاک ایران، جلد ۵۲، شماره ۱۱، صفحات ۲۷۳۹-۲۷۵۰
عنوان فارسی مدل‌سازی هیدرولیکی منابع آب با استفاده از تکنیک‌های یادگیری
چکیده فارسی مقاله تحلیل کمی و کیفی منابع آب امروزه به یکی از موضوعات مهم در تحقیقات منابع آب تبدیل شده است. در این تحقیق از داده­کاوی، تکنیک­های هوش مصنوعی و ریاضی برای شبیه­سازی رفتار آب و تخمین تغییرات پارامتریک آن استفاده شده است. نام مدل­های بکار گرفته شده عبارتند از: مدل ماشین یادگیری نیرومند خودتطبیق SAELM، حداقل مربعات ماشین بردار پشتیبان LSSVM، مدل شبکه­های عصبی نروفازی ANFIS و مدل آماری رگرسیون خطی چندگانه MLR که برای تخمین پارامترهای هیدروژئولوژیکی استفاده شده است. همچنین برای ارزیابی عملکرد مدل­ها، در قالب 5 رویکرد دقت مدل­ها بررسی گردید. نتایج تحقیق نشان داد که براساس نمودارهای شبیه­سازی و همبستگی مدل SAELM برترین مدل بود. براساس شاخص­های ارزیابی دقت، مدل SAELM با شاخص­های RMSE و MAPE و R به ترتیب برابر با 1545/0، 0070/0 و 9979/0 دارای بالاترین دقت در تخمین پارامترهای هیدروژئولوژیکی بود. بر اساس تحلیل عدم قطعیت ویلسون (Wilson Score method) عملکرد مدل برتر (SAELM) دست پایین (Underestimated) برآورد گردید. همچنین براساس نمودارهای نسبت اختلاف خطا، دقیق­ترین نتایج مربوط به مدل SAELM بود. در پایان با استفاده از نمودارهای توزیع خطا کمترین میزان خطا به مدل SAELM اختصاص یافت.
کلیدواژه‌های فارسی مقاله ماشین یادگیری نیرومند خودتطبیق،ماشین یادگیری حداقل مربعات بردار پشتیبان،شبکه‌های عصبی نروفازی،رگرسیون خطی چندگانه،تحلیل عدم قطعیت،
عنوان انگلیسی Hydraulic Modeling of the Water Resources using Learning Techniques
چکیده انگلیسی مقاله Quantitative and qualitative analysis of water resources has become one of the most widely used topics in water resources research today. In this research, data mining, artificial intelligence, mathematical techniques have been used to simulate water behavior and estimate its parameters changes. The models used to estimate hydrogeological parameters are Self-adaptive Extreme learning machine (SAELM), Least square support vector machine (LSSVM), Adaptive Neuro-Fuzzy Inference System (ANFIS) and Multiple linear regression (MLR) models. Also, to evaluate the performance of these models, the accuracy of the models was assessed in the form of 5 approaches. The results showed that the SAELM model was the best model based on the simulation and correlation diagrams. Based on accuracy evaluation indices, the SAELM model with RMSE, MAPE and, R indices equal to 0.1545, 0.0070, and 0.9979, respectively, had the highest accuracy in hydrogeological parameters prediction. Based on Uncertainty Analysis by the Wilson Score method, the performance of the top model (SAELM) was estimated to be underestimated. Also, based on the error ratio diagrams, the most accurate results were related to the SAELM model. Finally, the SAELM model was assigned the lowest error rate using the error distribution diagrams.
کلیدواژه‌های انگلیسی مقاله ماشین یادگیری نیرومند خودتطبیق,ماشین یادگیری حداقل مربعات بردار پشتیبان,شبکه‌های عصبی نروفازی,رگرسیون خطی چندگانه,تحلیل عدم قطعیت
نویسندگان مقاله مجتبی پورسعید |
سازمان برنامه و بودجه، معاونت فنی

امیرحسین پورسعید |
دانشجوی دکترای تخصصی مهندسی برق قدرت، گروه مهندسی برق، دانشگاه لرستان، خرم آباد، ایران

سعید شعبانلو |
دانشیار گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه،ایران

نشانی اینترنتی https://ijswr.ut.ac.ir/article_86338_03513a0958cac541b83e0f34c83495a1.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات