تحلیل و پیش بینی جریان رودخانه برمبنای برنامه سازی تکاملی و هوش مصنوعی

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 520

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IHC13_201

تاریخ نمایه سازی: 30 شهریور 1394

چکیده مقاله:

پیش بینی مطلوب دبی رودخانه ها یکی از ابزارهای مهم در مدیریت منابع آب به شمار میرود. به دلیل وجود روابط غیرخطی و عدم قطعیت در فرآیندهای حاکم بر سیستم های آبی، محققین همواره سعی در توسعه روشهای پیش بینی دارند. یکی از روشهایی که اخیراً مورد توجه بسیاری از محققین در زمینه منابع آب قرار گرفته است، برنامه سازی ژنتیک می باشد. برنامه سازی ژنتیک با الگوبرداری از نظریه تکامل تدریجی داروین به دنبال یافتن رابطه ای بهینه برای ایجاد بهترین نگاشت غیرخطی میان دو فضای ورودی و خروجی است. در این تحقیق از روش برنامه سازی ژنتیک جهت مدل سازی جریان حوضه رودخانه کشکان استفاده شده است. بدین منظور ابتدا میزان اهمیت متغیرهای ورودی تعیین شده و دقت مدل حاصل به ازای حذف یک به یک متغیرها بررسی شده است. نتایج این تحقیق نشان میدهد حذف متغیرهای کم اهمیت تر سبب بهبود عملکرد این روش در فرآیند آموزش و افزایش دقت پیش بینی خواهد شد. همچنین مقایسه نتایج حاصل از این روش با شبکه عصبی مصنوعی بیانگر آن است که در پیش بینی دبی پایه برنامه سازی ژنتیک عملکرد مناسب تری داشته است؛ این در حالی است که در پیش بینی مقادیر سیلابی هر دو روش دقت نسبتاً مشابهی دارند. در انتها با تحلیل حساسیت مدل حاصل از برنامه سازی ژنتیک تمامی متغیرها براساس میزان با اهمیت بودن مرتب شده اند. شناسایی متغیرهای مؤثرتر میتواند در تصمیم گیری مدیران به منظور تجهیز ایستگاه های هواشناسی در حوضه آبریز و تخصیص بهینهمنابع مالی نقش به سزایی داشته باشد.

کلیدواژه ها:

نویسندگان

مهسا والی پور والی پور

دانشجوی کارشناسی مهندسی عمران-آب، دانشگاه صنعتی جندی شاپور دزفول

محمد ذاکرمشفق

استادیار گروه مهندسی عمران دانشگاه صنعتی جندی شاپور دزفول

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :