عنوان

ارزیابی عدم قطعیت تکنیک های هوش مصنوعی در پیش بینی جریان آب رودخانه

شماره

‭۱۸۵۵۵پ‬

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

ارزیابی عدم قطعیت تکنیک های هوش مصنوعی در پیش بینی جریان آب رودخانه

نام نخستين پديدآور

/مجید محمدی ایالوئی

نام ناشر، پخش کننده و غيره

: کشاورزی

تاریخ نشرو بخش و غیره

، ‮‭۱۳۹۶‬

نام توليد کننده

، راشدی

متن يادداشت

چاپی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی آب گرایش مهندسی منابع آب

زمان اعطا مدرک

‮‭۱۳۹۶/۱۱/۱۸‬

کسي که مدرک را اعطا کرده

تبریز

متن يادداشت

در یک دهه اخیر، روش‌های هوش مصنوعی به دلیل انعطاف و دقت بالا در مدل سازی جریان رودخانه، کاربرد قابل قبولی داشته اند .لیکن نتایج این روش ها به دلایل متعددی همچون ساختار، الگوریتم و داده های ورودی، همواره با عدم قطعیت همراه بوده اند .یکی از روش هایی که می تواند تا حدودی این مشکل را حل نماید تحلیل عدم قطعیت پیش بینی های صورت گرفته می باشد .رودخانه قزل اوزن یکی از مهم ترین و پرآب ترین رودخانه های استان زنجان بشمار می‌رود که با دریافت شاخه شاهرود در شهر منجیل، با نام سفید رود به دریای خزر منتهی می‌شود .هدف از این تحقیق مدل سازی جریان ماهانه رودخانه قزل اوزن در دوره آماری ‮‭۳۹‬ ساله‮‭۱۳۵۵) - (۱۳۹۳‬برای دو ایستگاه هیدرومتری بیانلو - یساول و قره گونی واقع در استان زنجان با استفاده از مدل‌های شبکه عصبی مصنوعی و ماشین بردار پشتیبان و تحلیل عدم قطعیت حاکم بر این مدل‌ها می‌باشد .به منظور بررسی عملکرد هر یک از مدل‌ها و مقایسه داده‌های مدل سازی شده و مشاهداتی از معیارهای ارزیابی ضریب همبستگی ‮‭(R)‬و ریشه میانگین مربعات خطا ‮‭(RMSE)‬ استفاده شد .نتایج حاصل بیانگر این است که هر دو مدل از عملکرد قابل قبولی در پیش‌بینی جریان ماهانه رودخانه برخوردار می باشند و در نهایت مدل شبکه عصبی مصنوعی با بیشترین دقت و کمترین خطا به عنوان بهترین مدل پیشنهاد گردید .مقایسه تحلیل عدم قطعیت نتایج مدل‌ها نشان داد که مدل ماشین بردار پشتیبان نسبت به مدل شبکه عصبی مصنوعی از عدم قطعیت کم تری برخوردار است و از این لحاظ بر مدل شبکه عصبی مصنوعی برتری دارد

متن يادداشت

In the last decade, artificial intelligence methods have been used with high flexibility and high accuracy in river flow modeling. However, the results of these methods have been always associated with uncertainty for several reasons such as structure, algorithm and input data. One of the ways that can solve this problem to some extent is to analyze the uncertainty of the predictions which are made. Ghezel Uzan River is one of the most important and the most abundent rivers in the province of Zanjan which leads to the Caspian Sea by receiving the Shahroud branch in the city of Manjil. The purpose of this research was is to model the monthly flow Ghezel Uzan River in the 39-year statistical period (1355 - 1393 ) for two hydrometric station located in Zanjan province (Bayanlou - Yasawel and Gharaghuni ) with using artificial neural network and support vector machine and uncertainty analysis the rulers of these models. In order to evaluate performance of each model and to compare the modeling and observational data, the correlation coefficient ( R ) and root mean square error ( RMSE ) criteria were used. The results indicate that both models has acceptable performance in predicting the monthly flow of the river and finally, the model of artificial neural network with the highest accuracy and minimum error was proposed as the best model. Comparison of uncertainty analysis of the results of the models showed that the support vector machine model has less uncertainty than the artificial neural network model and in this regard, it is superior to artificial neural network model

مستند نام اشخاص تاييد نشده

محمدی ایالوئی، مجید

مستند نام اشخاص تاييد نشده

اسدی، اسماعیل، استاد راهنما

مستند نام اشخاص تاييد نشده

قربانی، محمدعلی، استاد مشاور

يادداشت عمومي

سیاه و سفید

وضعیت فهرست نویسی

نمایه‌سازی قبلی