عنوان

بررسی تاثیر بازه بندی و پیش پردازش داده ها در توسعه و تقویت مدل های تعیین دبی روزانه با استفاده از روش های هوشمند

شماره

پ۲۹۸۲۸

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

بررسی تاثیر بازه بندی و پیش پردازش داده ها در توسعه و تقویت مدل های تعیین دبی روزانه با استفاده از روش های هوشمند

نام نخستين پديدآور

زهرا صلاح پور

نام ناشر، پخش کننده و غيره

عمران

تاریخ نشرو بخش و غیره

140۲

نام خاص و کميت اثر

۱۰۴ص.

مواد همراه اثر

سی دی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

مهندسی عمران گرایش سازه های هیدرولیکی و مهندسی آب

زمان اعطا مدرک

۱۴۰۲/۰۶/۲۰

متن يادداشت

در فنون مهندسی، رژیم آبدهی رودخانه ها اغلب پایه و اساس محاسبات مربوط به پروژه های تاسیسات هیدرولیکی از جمله سد و پل را تشکیل می دهد و اطلاع از مقادیر دبی در این نوع مطالعات الزامی است. روش های مختلفی برای اندازه گیری دبی جریان وجود دارد که دبی را به صورت لحظه ای تعیین می کنند. با توجه به تغییرات دبی در زمان های مختلف و اندازه گیری مشکل آن مخصوصا در رودخانه ها و از طرف دیگر نیاز به دانستن دبی در روزهای مختلف به منظور تعیین حجم آب ماهانه و سالانه ، تنها راه حل مناسب استفاده از رابطه ای بین دبی و تراز آب است؛ این رابطه به منحنی دبی- اشل معروف است. امروزه سیستم های هوشمند به عنوان یکی از شبکه های غیرخطی در پیش بینی یک چنین پدیده هایی بسیار مورد توجه قرار گرفته است. همچنین با توجه به اینکه روابط دبی – اشل برای یک رودخانه می تواند منحصر به فرد نباشد لزوم تحقیقات بیشتر در این زمینه آشکارتر می شود. در این پایان¬نامه از روش ماشین بردار پشتیبان (SVM) به عنوان روش هوشمند و روش¬های تبدیل موجک (DWT-SVM) و حافظه طولانی کوتاه-مدت (LSTM) که از ابزارهای محاسبات نرم محسوب می شوند؛ برای تخمین دبی رودخانه در سه ایستگاه هیدرومتریک متوالی رودخانه آجی چای (بالادست به پایین دست: ارزنق ، مرکید و آخولا) واقع در آذربایجان شرقی استفاده گردید. از داده¬های دبی و اشل رودخانه برای تشکیل مدل¬های ورودی متعددی که متشکل از دبی جریان و اشل روز¬های قبل است استفاده شد. برای این منظور در گام اول مقدار دبی ایستگاه پایین¬دست توسط ایستگاه¬های بالادست و همچنین در هر¬¬یک از ایستگاه¬ها با استفاده از مدل ماشین بردار پشتیبان پیش¬بینی شده است. سپس سری¬های زمانی دبی و اشل توسط تبدیل موجک و روش حافظه کوتاه-بلندمدت به زیرسری¬هایی تجزیه گشته و این زیرسری¬ها جهت مدل¬سازی رابطه دبی- اشل وارد مدل ماشین بردار پشتیبان شدند. از طرفی دیگر روش¬های پیش پردازنده باعث بهبود نتایج شدند. همچنین در بررسی¬های صورت گرفته مشاهده گردید که نتایج حاصل از تجزیه بر اساس حافظه بلند-کوتاه مدت با 989/0 DC=و 061/0RMSE= در مدل¬سازی مکانی در مدل¬سازی زمانی موجب بهبود معیارهای ارزیابی شدند. در مدل¬سازی زمانی مشخص گردید دبی اشل در یک روز تا حد زیادی تابع دبی اشل یک روز قبل می¬باشد و در طبقه بندی دبی ها نتایج حاصل از تجزیه بر اساس حافظه بلند-کوتاه مدت با 994/0 DC=و 015/0RMSE= باعث بهبود نتایج شدند.

متن يادداشت

In engineering techniques, the flow regime of rivers often forms the basis of calculations related to hydraulic facilities projects such as dams and bridges, and knowledge of discharge values is required in this type of studies. There are different methods to measure the flow rate that determine the flow rate instantaneously according to the changes in the flow rate at different times and the difficulty of measuring it, especially in rivers, and on the other hand, the need to know the flow rate on different days. In order to determine the monthly and annual water volume, the only suitable solution is to use a relationship between the discharge and the water level; This relationship is known as the Rating curve. Today, intelligent systems are highly regarded as one of the nonlinear networks in predicting such phenomena. Also, due to the fact that the relations between discharge rating curve for a river may not be unique, the need for further research in this field becomes more obvious. In this thesis, the support vector machine (SVM) method as an intelligent method and wavelet transform (DWT) and long-short-term memory (LSTM) methods, which are considered soft computing tools; It was used to estimate the river discharge in three consecutive hydrometric stations of Aji Chai River located in East Azerbaijan. The data of river discharge and sediment were used to form several input models which consist of current discharge and sediment of the previous days. For this purpose, in the first step, the flow rate of the downstream station is predicted by the upstream stations and also in each of the stations using the support vector machine model. Then the time series of discharge rating curve were divided into subseries by wavelet transformation and short-long-term memory method, and these subseries were entered into the support vector machine model to model the relationship between discharge rating curve. On the other hand, the preprocessor methods improved the results. It was also observed in the investigations that the results of analysis based on wavelet transformation in spatial modeling and temporal modeling improved the evaluation criteria. In temporal modeling, it was determined that the discharge in one day is largely a function of the discharge the previous day, and the classification of the discharges improved the results.

عنوان گونه گون

Investigating the impact of categorizing and data preprocessing in the development and improving of daily discharge prediction models using intelligent methods

عنصر شناسه اي

‏صلاح پور،

ساير عناصر نام

زهرا

کد نقش

تهیه کننده

عنصر شناسه اي

‏‏روشنگر،

عنصر شناسه اي

تاری نژاد،

ساير عناصر نام

کیومرث

ساير عناصر نام

رضا

تاريخ

استاد راهنما

تاريخ

استاد مشاور

عنصر شناسه اي

‏تبریز