عنوان

کاربرد الگوریتم ازدحام ذرات بر مبنای رفتار کوانتومی در مدل‌صسازی هوشمند هیبریدی جریان رودخانه

Number

‭۱۸۵۳۴پ‬

.Language of Text, Soundtrack etc

per

Title Proper

کاربرد الگوریتم ازدحام ذرات بر مبنای رفتار کوانتومی در مدل‌صسازی هوشمند هیبریدی جریان رودخانه

First Statement of Responsibility

/رضا کاظم‌صپور رعدی

Name of Publisher, Distributor, etc.

: کشاورزی

Date of Publication, Distribution, etc.

، ‮‭۱۳۹۶‬

Name of Manufacturer

، راشدی

Text of Note

چاپی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

علوم و مهندسی آب، گرایش منابع آب

Date of degree

‮‭۱۳۹۶/۱۱/۱۶‬

Body granting the degree

تبریز

Text of Note

جریان رودخانه، نقش اساسی در مطالعات مهندسی منابع آب ایفا می‌صکند که برآورد مقادیر جریان رودخانه برای مدیریت کارآمد منابع آب در مناطق با اقلیم نیمه خشک امری ضروری است .در این پژوهش به مدل‌صسازی جریان رودخانه و کاربرد مدل‌صهای هوشمند هیبریدی از جمله مدل هوشمند هیبریدی شبکه عصبی مصنوعی با الگوریتم بهینه ازدحام ذرات بر مبنای رفتار کوانتومی، را به منظور برآورد مقادیر جریان رودخانه مورد ارزیابی قرار می‌صدهد .از جمله روش‌صهای مدل‌صسازی هوشمند استفاده از شبکه‌صهای عصبی مصنوعی ‮‭ANN‬است .همچنین از مدل شبکه عصبی مصنوعی و مدل هیبریدی شبکه عصبی مصنوعی با الگوریتم بهینه سازی ازدحام ذرات جهت ارزیابی عملکرد مدل مذکور استفاده گردید که در این راستا از معیارهای ارزیابی‮‭RMSE‬ ، ‮‭NS‬ و ‮‭WI‬ جهت مقایسه نتایج بدست آمده، بهره گرفته شده‌صاست .در این پژوهش داده‌صهای ماهانه دبی جریان دو ایستگاه‌ص‍ آب‌صسنجی کهلیک‌صدرسی و تازه‌صکند واقع در حوضه صوفی‌صچای آذربایجان‌صشرقی به ترتیب در بازه‌ص‍ زمانی ‮‭۲۶‬ و ‮‭۴۰‬ سال، مورد بررسی قرار گرفته شده‌صاست .نتایج بدست آمده در بخش صحت‌صسنجی با توجه به معیار های ارزیابی‮‭RMSE‬ ، ‮‭NS‬ و ‮‭WI‬ برای مدل هیبریدی‮‭QPSO - ANN‬در ایستگاه کهلیک‌صدرسی به ترتیب برابر‮‭۱۴۲/۰‬ ، ‮‭۸۵۵/۰‬ و ‮‭۹۵۱/۰‬ و در ایستگاه تازه‌صکند به ترتیب برابر‮‭۸۷۲/۰‬ ، ‮‭۹۴۳/۰‬ و ‮‭۹۸۴/۰‬ می باشد .نتایج حاصله نشان از برتری مدل هیبریدی‮‭QPSO - ANN‬در شبیه‌صسازی جریان ماهانه در هر دو ایستگاه حوضه صوفی‌صچای نسبت به مدل های ‮‭ANN‬ و‮‭PSO - ANN‬دارد

Text of Note

Stream flow plays a crucial rule in water resources engineering which is so important for better management of water resources in semi-arid provinces. This research tries to modeling the monthly discharge of stream flow of rivers and also usage of hybrid intelligent modeling, with focus on Quantum-behaved Particle Swarm Optimization Algorithm compound with intelligent models, in order to forecasting the river stream flow. Artificial Neural Networks is one of the intelligent models, compounding of ANNs modeling technique with Quantum-behaved Particle Swarm Optimization brings a significant accuracy in forecasting time series. For assessing the performance of this novel hybrid model, the ANN-PSO and ANN techniques are employed. Performance criterias for comparing are Root Mean Square Error, Willmotts Index and Nash-Sutcliffe coefficient which helps to determine the best model. In this research monthly discharge of Kahlik-Darrasi and Taze Kand stations with period of 26 and 40 year, respectively are used. Both stations are located in Soufi-Chay basin of East Azarbaijan province. Results of testing period of all models indicate that ANN-QPSO is the best model with significant accuracy for amount of RMSE, NS and WI which are 0.142, 0.855 and 0.951, respectively for Kahlik-Darrasi station and 0.872, 0.943 and 0.984, respectively for Taze-Kand station. In both stations ANN-QPSO has the best performance in forecasting the monthly discharge of stream flow in compare with ANN-PSO and ANN models. In Kahlik-Darrasi R2 for ANN is 0.517 which enhanced to 0.901 by ANN-QPSO, and for Taze-kand is 0.725 which enhanced to 0.948 by ANN-QPSO, as well. This novel hybrid intelligent model (ANN-QPSO) has been introduced as a forcasting model for these stations

کاظم‌پور رعدی، رضا

قربانی، محمدعلی، استاد راهنما

دربندی، صابره، استاد راهنما

Public note

سیاه و سفید

نمایه‌سازی قبلی