فرناز دانشور وثوقی؛ رسول صمدزاده
چکیده
مدلسازی صحیح فرآیند بارش-رواناب به دلیل گستردگی عوامل موثر بر بارش و رواناب یکی از پیچیدگی‌های علم هیدرولوژی است. هدف از این پژوهش استفاده از روشهای پیش پردازش زمانی از جمله رفـع نویز موجکی و تبدیل موجک برای پیش بینی سری‌های زمانی ماهانه رواناب در دشت اردبیل می‌باشد. شـبیه سـازی بـارش – روانـاب بـا اسـتفاده از مدل جعبـه ...
بیشتر
مدلسازی صحیح فرآیند بارش-رواناب به دلیل گستردگی عوامل موثر بر بارش و رواناب یکی از پیچیدگی‌های علم هیدرولوژی است. هدف از این پژوهش استفاده از روشهای پیش پردازش زمانی از جمله رفـع نویز موجکی و تبدیل موجک برای پیش بینی سری‌های زمانی ماهانه رواناب در دشت اردبیل می‌باشد. شـبیه سـازی بـارش – روانـاب بـا اسـتفاده از مدل جعبـه سـیاه شبکه عصبی مصنوعی برای سه ترکیب دادههای بارش و رواناب دشت اردبیل انجـام گردید. ترکیب اول و دوم دادهها از دادههای خود ایستگاه در زمانهای گذشته استفاده میکند و ترکیب سوم دادهها از دادههای ایستگاههای بالادست (ایستگاههای گیلانده و کوزه تپراقی) برای پیش بینی رواناب خروجی دشت (ایستگاه سامیان) استفاده میکند. نتایج نشان داد کـه اعمـال روشهای پیش پردازش زمانی رفـع نویز مـوجکی و استفاده از تبدیل موجک در شــبیه ســازی بارش-رواناب بــا مدل شبکه عصبی مصنوعی به ترتیب بطور متوسط باعــث بهبــود 4 و 39 درصدی در مرحلــه آزمایش مدل شده است.
عطا الله ندیری؛ سعید یوسف‌زاده
دوره 4، شماره 10 ، خرداد 1396، ، صفحه 21-40
چکیده
تخمین دقیق پارامترهای هیدروژئولوژیکی مانند هدایت هیدرولیکی یکی از مهمترین بخش مطالعات هیدروژئولوژی می‌باشد که برای مدیریت و حفاظت دقیق از منابع آب زیرزمینی بسیار ضروری است. تا حال روشهای مختلف صحرایی و آزمایشگاهی برای تخمین هدایت هیدرولیکی ارائه شده است که عموماً با استفاده از دادههای هیدروژئولوژیکی انجام می‌شوند. از ...
بیشتر
تخمین دقیق پارامترهای هیدروژئولوژیکی مانند هدایت هیدرولیکی یکی از مهمترین بخش مطالعات هیدروژئولوژی می‌باشد که برای مدیریت و حفاظت دقیق از منابع آب زیرزمینی بسیار ضروری است. تا حال روشهای مختلف صحرایی و آزمایشگاهی برای تخمین هدایت هیدرولیکی ارائه شده است که عموماً با استفاده از دادههای هیدروژئولوژیکی انجام می‌شوند. از این میان بهترین و کاملترین روش، روش صحرایی آزمون پمپاژ می‌باشد که بسیار وقتگیر و پرهزینه بوده و پارامترهای هیدروژئولوژیکی تخمین زده شده به وسیلهی آنها دارای عدم قطعیت ذاتی می‌باشند. لذا در این تحقیق تلاش شد تا از روشهای هوش مصنوعی مختلف مانند شبکهی عصبی مصنوعی (ANN)، فازی ممدانی (MFL)، فازی ساگنو (SFL) و سیستم استنتاج نرو-فازی تطبیقی (ANFIS) برای تخمین هدایت هیدرولیکی استفاده شود. در این مطالعه برای تخمین دقیق هدایت هیدرولیکی در دشت مراغه- بناب توسط این مدلها از دادههای ژئوفیزیکی به همراه داده های هیدروژئولوژیکی به عنوان ورودی مدلها استفاده شد و نتایج آنها با استفاده از معیارهای ارزیابی با هم مقایسه و بهترین مدل براساس مقدار RMSE انتخاب شد. بر این اساس مدل ANFIS با داشتن RMSE=1.12 در مرحلهی تست، نسبت به مدلهای دیگر قدرت بالایی در تخمین هدایت هیدرولیکی دارد. شعاع دستهبندی، تعداد قوانین فازی و تعداد دستهها در مدلهای فازی و نروفازی، از اهمیت بالایی برخوردار است. شعاع دستهبندی در مدل ANFIS، براساس کمترین مقدار RMSE برابر 4/0و تعداد قوانین فازی براساس تعداد دستهها 9 قانون اگر-آنگاه به دست آمد. روشهای ارائه شده در این مطالعه که کارآیی بالایی در تخمین هدایت هیدرولیکی در دشت مراغه-بناب نشان دادند، می‌تواند در تخمین هدایت هیدرولیکی در سایر دشتها با شرایط هیدروژئولوژیکی مشابه نیز مورد استفاده قرار بگیرند.
مریم اسدی؛ علی فتح زاده؛ روح‌الله تقی‌زاده مهرجردی
دوره 4، شماره 10 ، خرداد 1396، ، صفحه 121-143
چکیده
تعیین بار رسوبی معلق رودخانه‌ها یکی از پروژه‌های مهم مهندسی رودخانه می‌باشد. پیشبینی بار رسوبی معلق کمک شایانی در زمینه مدیریت منابع آبی خواهد نمود. سوال اصلی در این تحقیق بررسی نقش انواع دادههای روزانه، ماهانه و سالانه در برآورد بار رسوبی با استفاده از مدلهای مبتنی بر یادگیری ماشین است. بدین منظور از آمار بار معلق در سه مقیاس ...
بیشتر
تعیین بار رسوبی معلق رودخانه‌ها یکی از پروژه‌های مهم مهندسی رودخانه می‌باشد. پیشبینی بار رسوبی معلق کمک شایانی در زمینه مدیریت منابع آبی خواهد نمود. سوال اصلی در این تحقیق بررسی نقش انواع دادههای روزانه، ماهانه و سالانه در برآورد بار رسوبی با استفاده از مدلهای مبتنی بر یادگیری ماشین است. بدین منظور از آمار بار معلق در سه مقیاس زمانی روزانه، ماهانه و سالانه ایستگاه هیدرومتری اوهایو واقع در ایالات متحده آمریکا در فاصله سال‌های 1992 تا 2014 استفاده گردید. با هدف انتخاب مناسب‌ترین مدل، مدلهای شبکه عصبی مصنوعی پس انتشار خطا و تابع پایه‌ی شعاعی، رگرسیون خطی، k نزدیک‌ترین همسایه، درخت تصمیم M5، فرآیند گوسی، ماشین‌بردار پشتیبان و ماشین‌بردار پشتیبان تکاملی اجرا و مورد ارزیابی قرار گرفتند. نتایج حاصل از این تـحقیق نشان داد که بـرای دادههای روزانه، مـدل k نزدیک‌ترین همسایـه با 28/5RMSE=؛ برای دادههای ماهانه مدل فرآیند گوسی با 7/8RMSE= و برای دادههای سالانه مدل فرآیند گوسی با مقدار 2/7RMSE= مناسب‌ترین مدل جهت پیشبینی بار رسوبی معلق بوده‌اند. همچنین مقایسه مقادیر ارزیابی مدلها حاکی از آن است که پیشبینی دادههای سالانه نسبت به ماهانه و روزانه از دقت بیشتری برخوردار هستند.
طاهر رجائی؛ فاطمه پوراصلان
دوره 2، شماره 4 ، آذر 1394، ، صفحه 1-19
چکیده
هدف از این پژوهش تخمین مقدار تراز آب زیرزمینی در نقاط مختلف دشت داورزن واقع در استان خراسان رضوی در یک ماه آینده است. جهت پیش بینی زمانی از روش پرسپترون چندلایه شبکه عصبی و برای پیش بینی مکانی از روش کریجینگ استفاده شده است. داده های ورودی شامل سری زمانی تراز آب زیرزمینی است که به مدت هشت سال از مهر 82 تا اسفند 89 به صورت ...
بیشتر
هدف از این پژوهش تخمین مقدار تراز آب زیرزمینی در نقاط مختلف دشت داورزن واقع در استان خراسان رضوی در یک ماه آینده است. جهت پیش بینی زمانی از روش پرسپترون چندلایه شبکه عصبی و برای پیش بینی مکانی از روش کریجینگ استفاده شده است. داده های ورودی شامل سری زمانی تراز آب زیرزمینی است که به مدت هشت سال از مهر 82 تا اسفند 89 به صورت ماهیانه اندازهگیری شده است. ابتدا به منظور تعیین میزان دقت مدل، تراز آب زیرزمینی 12 ماه پایانی یک پیزومتر جدید با استفاده از روش پیشنهادی مدل سازی شده و با مقدار واقعی آن مقایسه گردیده است. مقدار ضریب انطباق به دست آمده (812/0E=) نشان دهنده کارایی مدل در این دشت است. سپس با اتکا به نتایج قابل قبول به دست آمده، تراز آب زیرزمینی یک ماه آینده پیش بینی شد. در مرحله بررسی کارایی مدل، روش شبکه عصبی با میانگین ضریب انطباق 688/0 برای پیزومترها و نیم تغییرنمای گوسی نیز با درصد همبستگی 657/0 نتایج قابل قبولی را برای دشت داورزن نشان دادند.
