عنوان

برآورد بار رسوب در ایستگاه‌های حوضه آجی چای با استفاده از شبکه‌های عصبی مصنوعی و ماشین‌های بردار پشتیبان

Number

‭۱۳۳۵۰پ‬

.Language of Text, Soundtrack etc

per

Title Proper

برآورد بار رسوب در ایستگاه‌های حوضه آجی چای با استفاده از شبکه‌های عصبی مصنوعی و ماشین‌های بردار پشتیبان

First Statement of Responsibility

/غلامرضا عندلیب

Name of Publisher, Distributor, etc.

: پردیس بین المللی ارس

Text of Note

چاپی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی عمران- آب

Date of degree

‮‭۱۳۹۳/۰۶/۲۵‬

Body granting the degree

تبریز

Text of Note

پیش‌بینی دبی رسوب در طیف گسترده‌ای از مسائلی نظیر مهندسی رودخانه‌ها، طراحی سدها، انتقال آلودگی، تأثیرات زیست‌محیطی، تأثیرات آبخیزداری و بسیاری از بحث‌های منابع آب کاربرد دارد .از این رو همواره تلاش‌هایی از سوی متخصصان در جهت برآورد بار رسوب جریان رودخانه انجام‌شده است .در بررسی دبی رسوب، در نظر گرفتن فاکتورهای اساسی منجر به نتیجه‌ای مطلوب خواهد شد .از مهم‌ترین فاکتورها می‌توان به شدت بارش، دبی رودخانه، رسوب موجود و ...اشاره کرد .پیچیدگی و غیرخطی بودن پدیده و ناتوانی آزمایش‌های کلاسیک و روش‌های فیزیکی در توجیه مناسب پدیده، استفاده از مدل‌های جعبه سیاه از جمله ماشین بردار پشتیبان و شبکه عصبی مصنوعی را مناسب می‌سازد .در این پایان‌نامه، کارایی مدل موجک-ماشین بردار پشتیبان برای پیش‌بینی رسوب در رودخانه‌های آجی چای و ‮‭Mississipi‬ مورد بررسی قرار گرفته است .برای این منظور، در گام اول مقدار رسوب توسط ماشین بردار پشتیبان و شبکه عصبی مصنوعی پیش‌بینی شده است .سپس سری‌های زمانی دبی و رسوب توسط موجک به زیر سری‌هایی تجزیه شدند و این زیر سری‌ها جهت شبیه‌سازی رابطه دبی-رسوب وارد ماشین بردار پشتیبان و شبکه عصبی مصنوعی شدند و در نهایت مقایسه توانایی مدل موجک-ماشین بردار پشتیبان با دیگر مدل‌ها در پیش‌بینی چند گام بعد رسوب ادامه چکیده :مورد ارزیابی قرار گرفت .نتایج پیش‌بینی رسوب روزانه نشان می‌دهند که ماشین بردار پشتیبان با =‮‭۹۲/۰DC‬ خروجی بهتری در حوضه خارجی نسبت به شبکه عصبی مصنوعی دارد .با این حال برخلاف رسوب روزانه در مدل‌سازی ماهانه شبکه عصبی مصنوعی نتایج بهتری نسبت به ماشین بردار پشتیبان در هر دو حوضه به دست می‌دهد .برای نمونه، در حوضه آجی چای دقت پیش‌صبینی مدل شبکه عصبی مصنوعی =‮‭۶۲/۰ DC‬ و مدل ماشین بردار پشتیبان =‮‭۵۹/۰ DC‬ می‌صباشد .مدل‌های موجک-ماشین بردار پشتیبان و موجک- شبکه عصبی مصنوعی نتایج مشابهی در مقیاس روزانه و متفاوتی در مقیاس ماهانه نشان می‌دهند و اضافه کردن موجک باعث افزایش دقت مدل‌های ماشین بردار پشتیبان و شبکه عصبی مصنوعی می‌شود .به‌علاوه توانایی ترکیب موجک با مدل‌های هوش مصنوعی توسط پیش‌بینی چند گام بعد رسوب مورد ارزیابی قرار گرفته است که برای نمونه =‮‭۴/۰ DCSVM‬ به =‮‭۷۱/۰ DCWSVM‬ در پیش‌بینی رسوب ‮‭۷‬ روز بعد ارتقا یافته است .در مجموع، مدل موجک-ماشین بردار پشتیبان با افزایش افق پیش‌بینی کارایی بهتری نسبت به مدل موجک- شبکه عصبی مصنوعی به دست می‌دهد

Text of Note

Prediction of sediment discharge is used in a wide range of issues such as river engineering, design of dams, pollution transport, environmental impacts, impacts of watershed and water resources. In investigation of sediment discharge, taking into account of the underlying factors will lead to the desired outcome. The intensity of rainfall, river flow, existing sediment and . . . are the most important factors affecting sediment process. Complexity of nonlinear phenomena, classical experiments and physical methods disability in proper justification phenomenon, makes us to use black-box models like Artificial Neural Network (ANN) and Support Vector Machine (SVM) to simulation of sediment process.In the current study, the efficiency of Wavelet-based SVM (WSVM) model was examined for prediction of daily and monthly Suspended Sediment Load (SSL) of the Aji-chay and Mississippi Rivers. For this purpose, in the first step, SSL was predicted via ad hoc SVM and ANN models; then, streamflow and SSL data were decomposed into sub-signals via wavelet, and these decomposed sub-time series were imposed to SVM and ANN to simulate discharge-SSL relationship. Finally, the ability of WSVM was compared with other models in multi-step-ahead SSL predictions.The results showed that in daily SSL prediction, SVM has better outcomes in overseas watershed with Determination Coefficient (DC)=0.92 than ad hoc ANN with DC=0.88. However, unlike daily SSL, in monthly modeling, ANN has a bit accurate upshot e.g. in Aji-chay DCANN=0.62 and DCSVM=0.59. WSVM and wavelet-based ANN (WANN) models showed same consequences in daily and different in monthly SSL predictions, and adding wavelet led to more accuracy of SVM and ANN. Furthermore, conjunction of wavelet to SVM and ANN evaluated via multi-step-ahead SSL predictions and, e.g., DCSVM=0.4 was increased to the DCWSVM=0.71 in 7-day ahead SSL prediction. In addition, WSVM outperformed WANN by increment of time horizon prediction

عندلیب، غلامرضا

نورانی، وحید، استاد راهنما

عندلیب، علیرضا، استاد مشاور

Public note

سیاه و سفید

نمایه‌سازی قبلی