بهره گیری ازشبکه عصبی- مصنوعی برای بهینه سازی مدل سری زمانی (ARIMA) بارش– رواناب

سال انتشار: 1387
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,021

فایل این مقاله در 10 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:

WRM03_569

تاریخ نمایه سازی: 28 فروردین 1387

چکیده مقاله:

پیشبینی صحیح و مناسب فرآیندهای هیدرولوژیکی میتواند کمک شایانی در زمینه طراحی پروژه های آبی و نیز جلوگیری از خطرات ناشی از آنها داشته باشد. خاصیت غیرخطی، عدم قطعیت ذاتی فرآیندهای استوکاستیک و پیچیده بودن مدلهای فیزیکی از دلایلی بوده است که باعث شده محققان به سوی مدل های جعبه سیاه از جمله مدل سری زمانی و مدل شبکه عصبی مصنوعی روی آورند. در این مقاله یک مدل ترکیبی که متشکل از دو مدل شبکه عصبی و مدل خطی سری زمانی است، ارائه شده و ط ی آن به مطالعه موردی در زمینه مدلسازی فرآیند بارش رواناب حوضه اهر چای واقع در استان آذربایجانشرقی پرداخته شده است . مدل ترکیبی شامل دو قسمت است؛ قسمت اول مدلسازی فرآیند بارش رواناب با الگوی سری زمانی است، قسمت دیگر برآورد و تخمین باقیمانده های سری زمانی با استفاده از شبکه های عصبی مصنوعی است که مقدار پیش بینی رواناب را به مقدار واقعی نزدیک تر میکند. بر اساس نتایج بدست آمده از این تحقیق، دقت مدل ترکیبی از مدل سری زمانی بیشتر است به طوریکه مدل ترکیبی میتواند جا یگزین نسبتاً مناسبی برای پیشبینی فرآیند بارش-رواناب باشد که یک مدل نیمه-خطی از فرآیندهای استوکاستیک را ارائه میدهد.

نویسندگان

وحید نورانی

استادیار دانشکده مهندسی عمران،دانشگاه تبریز

سمیرا رومیانفر

کارشناس ارشد سازه های هیدرولیکی دانشگاه تبریز

مهدی کماسی

دانشجوی دکتری مهندسی آب دانشگاه تبریز

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 :
  • منهاج، م.ب.1381، مبانی شبکه های عصبی مصنوعی (هوش مصنوعی)، جلد ...
  • نیرومند، حسینعلی، 1372، مقدمه‌ای بر تحلیل سری های زمانی، چاپ ...
  • Srinivasulu, S., Jain, A., 2006, A comparative analysis of training ...
  • Mohammadi, K., Eslami, H.R., Kahawita, R., 2006, Parameter estimation of ...
  • Zhang, G. P., 2003, Time series forecasting using a hybrid ...
  • Minns, A.W., Hall, M.J., 1996, Artifiticial neural network as rainfall-runo ...
  • Fleming, S.W., Levenue, A.M., Aly, A.H., Adoms, A., 2002, Practical ...
  • Markham, I.S., Rakes, T.R., 1998, The effect of sample size ...
  • ASCE, 2000, Artificial neural network in hydrology, Part I: Preliminary ...
  • نمایش کامل مراجع