پیش بینی فرآیند بارش- رواناب با بهره گیری از مدل ترکیبی بهینه سازی تجمعی ذرات- ماشین بردار پشتیبان موجکی (مطالعه موردی: دشت سیلاخور)
عنوان مقاله: پیش بینی فرآیند بارش- رواناب با بهره گیری از مدل ترکیبی بهینه سازی تجمعی ذرات- ماشین بردار پشتیبان موجکی (مطالعه موردی: دشت سیلاخور)
شناسه ملی مقاله: JR_WASO-33-1_004
منتشر شده در در سال 1402
شناسه ملی مقاله: JR_WASO-33-1_004
منتشر شده در در سال 1402
مشخصات نویسندگان مقاله:
مهدی کماسی - گروه عمران، دانشگاه آیت الله بروجردی، بروجرد، ایران
سروش شرقی - دانشجوی دکتری، مهندسی و مدیریت منابع آب، دانشکده عمران، دانشگاه تهران
خلاصه مقاله:
مهدی کماسی - گروه عمران، دانشگاه آیت الله بروجردی، بروجرد، ایران
سروش شرقی - دانشجوی دکتری، مهندسی و مدیریت منابع آب، دانشکده عمران، دانشگاه تهران
مدل سازی و پیش بینی فرآیند بارش-رواناب نقش مهمی را در مدیریت منابع آب، برنامهریزیهای شهری، عملکرد مخازن سد و... ایفا میکند. ماشین بردار پشتیبان (SVM) به عنوان یکی از مدلهای نوین هوش مصنوعی، از قابلیت و انعطافپذیری بالایی در پیش بینی دادههای هیدرولوژیکی برخوردار است. در این پژوهش ایدهی مدل سازی فرآیند بارش-رواناب توسط مدل ترکیبی الگوریتم بهینهسازی تجمعی ذرات و ماشین بردار پشتیبان موجکی (PSO-WT-SVM) مطرح گردیده است. در ساختار الگوریتم SVM پارامترهای ثابتی وجود دارد که میبایست توسط کاربر تعیین گردند بطوریکه انتخاب نامناسب این پارامترها موجب کاهش قابل توجه کارایی مدل میگردد. جهت حل این مشکل از الگوریتم بهینهسازی تجمعی ذرات (PSO) برای یافتن مقادیر بهینهی پارامترهای مدل SVM استفاده شده و مدل ترکیبی PSO-SVM معرفی میشود. در گام بعدی، با انجام عمل پیشپردازش بر روی دادهها توسط تبدیل موجک (WT) مدل PSO-WT-SVM مطرح میگردد. نهایتا سری زمانی روزانه بارش-رواناب دشت سیلاخور واقع در استان لرستان توسط مدل ساده SVM و مدلهای ترکیبی PSO-SVM و PSO-WT-SVM مدل سازی و پیش بینی شده و دقت مدل سازی توسط دو معیار ضریب تبیین و میانگین مربع خطاها (RMSE) مورد سنجش قرار میگیرد. نتایج حاصل از این مدل سازی در مرحله صحتسنجی نشان میدهد که مدل ترکیبی PSO-SVM و PSO-WT-SVM با ضریب تبیین به ترتیب ۷۲/۰ و ۸۹/۰ جایگزین بسیار مناسبی نسبت به مدل SVM با ضریب تبیین ۵۷/۰ برای پیش بینی سری زمانی بارش-رواناب دشت سیلاخور میباشند.
کلمات کلیدی: آنالیز موجک, الگوریتم بهینه سازی ازدحام ذرات (PSO), مدل ماشین بردار پشتیبان (SVM), مدل ترکیبی
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1626191/