عنوان

بهبود مدل سازی شبکه عصبی برای پیش بینی جریان رودخانه‌ها با استفاده از روش رفع خطای موجکی

Number

‭۱۱۱۷۲پ‬

.Language of Text, Soundtrack etc

per

Title Proper

بهبود مدل سازی شبکه عصبی برای پیش بینی جریان رودخانه‌ها با استفاده از روش رفع خطای موجکی

First Statement of Responsibility

/فرزاد حسن نژاد

Name of Publisher, Distributor, etc.

: دانشکده فنی-مهندسی عمران

Specific Material Designation and Extent of Item

‮‭۱۱۷‬ص‬

Text of Note

چاپی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

در رشته مهندسی عمران-آب

Date of degree

‮‭۱۳۹۲/۰۶/۲۵‬

Body granting the degree

دانشگاه تبریز

Text of Note

پیش‌بینی جریان رودخانه‌ها در بسیاری از فعالیت‌های مرتبط با برنامه‌ریزی و عملکرد سیستم مخازن آبی مورد نیاز می‌باشد .در علم هیدرولوژی، توجه به پیش‌بینی‌های کوتاه‌مدت و بلندمدت جریان رودخانه‌ها جهت بهینه سازی سیستم و گسترش یا کاهش پروژه‌های آتی ضروری می‌باشد .تا کنون بخاطر اهمیت این مسئله، مدل‌های متعددی از جمله مدل‌های جعبه سیاه و جعبه سفید برای پیش بینی جریان رودخانه‌ها مورد استفاده قرار گرفته‌اند .علی‌رغم سادگی یا پیچیدگی مدل‌ها، همواره نتایج شبیه‌سازی با عدم قطعیت قابل توجهی همراه می‌باشد که تعیین و ارزیابی آن همواره مورد توجه تصمیم‌گیرندگان و برنامه‌ریزان بوده است و لذا همواره توسعه مدل‌های ساده‌تر ولی دقیق‌تر با استقبال مواجه شده است .در این میان مدل‌های جعبه سیاه، از جمله شبکه عصبی مصنوعی از اهمیت بالایی برخوردارند و کیفیت داده‌ها تأثیر بسزایی در نتایج حاصله در این مدل‌ها دارند .در این پایان‌نامه، پیش‌بینی رواناب دو رودخانه‌ی آق-چای در ایران و ‮‭Androscoggin‬ در آمریکا با استفاده از داده‌های جریان روزانه و ماهانه و با بهره گیری از شبکه عصبی مصنوعی انجام شده است .نظر به اهمیت کیفیت داده‌ها در عملکرد مدل شبکه عصبی مصنوعی، به عنوان یک پیش‌پردازش، سعی در رفع خطا از داده ها قبل از استفاده در شبکه عصبی مصنوعی شده است .برای این منظور، ابتدا سری زمانی توسط تبدیل موجک تجزیه گردیده و آستانه‌گذاری برای زیرسری‌های جزئی انجام گرفته و سپس بازسازی بر اساس روش موجکی صورت پذیرفته است تا سری زمانی رفع خطا شده حاصل گردد و سپس به عنوان ورودی وارد شبکه عصبی مصنوعی شود .ادامه چکیده برای نیل به این هدف، سه نوع آستانه‌گذاری متفاوت بنام‌های آستانه‌گذاری فصلانه، آستانه‌گذاری جامع و آستانه‌گذاری قراردادی مورد بررسی قرار گرفته‌اند .نتایج حاکی از آن است که رفع نویز موجکی با آستانه‌گذاری فصلانه نسبت به دیگر آستانه‌گذاری‌ها عملکرد بهتری داشته و توانسته است دقت شبکه عصبی مصنوعی را در پیش‌بینی‌های کوتاه مدت و بلند مدت جریان رودخانه‌ها ارتقا بخشد .بطوریکه با پیش‌پردازش سری‌های زمانی رواناب روزانه توسط آستانه‌گذاری فصلانه، ضریب تبیین صحت‌سنجی نقاط بیشینه در رودخانه‌های آق-چای و ‮‭Androscoggin‬ به ترتیب رشد ‮‭۷۴‬ و ‮‭۶۴‬ درصدی نسبت به شبکه عصبی مصنوعی بدون پیش‌پردازش داشته است و اصلاح داده‌های ماهانه نیز باعث ارتقای ضریب تبیین به میزان ‮‭۳۸‬ و ‮‭۸۴‬ درصد در پیش‌بینی رواناب ماهانه آق-چای و ‮‭Androscoggin‬ شده است .مدل میانگین متحرک جمع بسته‌ی اتورگرسیو نیز در مقایسه با شبکه عصبی مصنوعی ساده و پیش‌پردازش شده رفتار ضعیفی را نشان داده است

Text of Note

based model-processed ANN-hoc ANN as well as data pre-chay and Androscoggin rivers exhibited the improvement of 38 and 84 in terms of determination coefficient, respectively. The autoregressive integrated moving average (ARIMA) showed indigent results in comparison to ad-flow modeling of Agh-hoc ANN. Moreover, monthly stream-based thresholding method, compared to the ad-chay and Androscoggin rivers have been raised respectively 74 and 64 via seasonality-based daily runoff forecasting results demonstrated that the peak points determination coefficients of Agh-term river flow forecasting results. ANN-term and long-based short-based wavelet denoising has efficient performance than other thresholding methods, which improved ANN-based, global and conventional thresholding methods. Results indicate that the seasonality- Denoising is performed through three different thresholding methods; seasonality

حسن نژاد، فرزاد

نورانی، وحید، استاد راهنما

لطف اللهی یقین، محمد علی، استاد مشاور

Public note

سیاه و سفید

نمایه‌سازی قبلی