مقایسه عملکرد تکنیکهای ANFIS , SVM در پیش بینی نرخ شکست لوله های شکست توزیع آب

سال انتشار: 1390
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,156

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ICWW01_096

تاریخ نمایه سازی: 25 بهمن 1389

چکیده مقاله:

یکی از راهکارهای کاهش آب بدون درامد در شبکه های توزیع آب تدوین سیاست های بازسازی و نوسازی بهینه می باشد که درجهت نیل به این هدف درک و شناخت فرایند فرسودگی و شکست لوله های آب و توسعه مدلهای پیش بینی شکست امری ضروری است دراین تحقیق از تکنیک ماشین بردار پشتیبان SVM و سیستم استنتاج تطبیقی عصبی - فازی ANFIS جهت ساخت مدل پیش بینی نرخ شکست لوله ها استفاده شده و به مقایسه عملکرد آنها پرداخته شد. پارامترهای سن، قطر، طول، عمق نصب لوله و فشار هیدرولیکی متوسط نیز به عنوان پارامترهای موثر د ر نرخ شکست لوله ها در نظر گرفته شد که اطلاعات اماری این پارامترها مربوط به بخشی از شبکه توزیع آب شهر مشهد می باشد برای ارزیابی مدلهای ساخته شده ازمعیارهای میانگین درصد خطای مطلق MAPE جذر میانگین مجذورات خطای نرمال NRMSE و ضریب تعیین R2 استفاده گردید و نتایج به دست امده نشان داد که تکنیک ماشین بردار پشتیبان عملکرد بهتری در پیش بینی نرخ شکست لوله های شبکه توزیع آب داشته و نسبت به سیستم استنتاج تطبیقی عصبی - فازی برتری دارد.

کلیدواژه ها:

شبکه توزیع آب ، پیش بینی نرخ شکست لوله ها ، ANFIS ، SVM

نویسندگان

اکبر شیرزاد

دانشجوی دکتری مهندسی عمران دانشکده مهندسی عمران دانشکده های فنی دا

مسعود تابش

دانشیار دانشکده مهندسی عمران

فواد سلطانی

فارغ التحصیل دانشکده مهندسی عمران دانشگاه تهران

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 :
  • آقایی، آ.، "پژوهشی بامون روش‌های پیش بینی شکست در سیستم‌های ...
  • Berardi, L., Kapelan, Z., Giustolisi, O. and Savic, D. A., ...
  • Tabesh, M., Soltani, J., Farmani, R. and Savic, D., Assessing ...
  • Shamir, U. and Howard, C. D. D., An Analytical Approach ...
  • _ _ _ _ _ _ _ Sediment Control, University ...
  • Kettler, A. J. and Goulter, L. C., An Analysis of ...
  • Su, Y. C., Mays, _ W., Duan, N. and Lansey, ...
  • Mays, L. W., ed., (1989), Reliability Analysis of Water Distribution ...
  • Cullinane, M. J., Lansey, K. E. and Mayes, _ W., ...
  • Tabesh, M. and Abedini, A., Analysis of Pipe Failure in ...
  • Giustolisi, O., Laucelli, D. and Savic, _ A., Development of ...
  • Watson, T. G., Christian, C. D., Mason, A. J., Smith, ...
  • Dridi, L., Mailhot, A., Parizeau, M. and Villeneuve., J. P., ...
  • Sacluti, F. R., Modeling water distribution pipe failures using artificial ...
  • Ahn, J. C., Lee, S. W., Lee, G. S. and ...
  • Asnaashari, A., Water pipeline failure modeling: statistical, artificial neural network ...
  • Kecman V., Learning and soft computing: support vector machines, neural ...
  • Cristianini, N. & Shawe, J., An introduction o support vector ...
  • Vapnik, V., N., Golowich, S. and Smola, A., Support Vector ...
  • Mohandes, M. A., Halawani, T. O., Rehman, S. and Hussain, ...
  • Jang, J.S.R., ANFIS: Adap tive-network- ased fuzzy inference systems", IEEE ...
  • Chang, C. C. and Lin, C. J., (2001), :LIBSVM: A ...
  • Sajikumar, N. and Thandave Swara, B. S., A Non-Linear Rainfall-Runo ...
  • Tokar, A. S. and Johnson, P. _ Rainfall-Run ff Modeling ...
  • نمایش کامل مراجع