شماره کتابشناسی ملی
شماره
۲۲۲۲۴پ
زبان اثر
زبان متن نوشتاري يا گفتاري و مانند آن
per
عنوان و نام پديدآور
عنوان اصلي
بهسازی و ارتقا پیش بینی دبی و غلظت رسوب معلق در ایستگاه های متوالی با استفاده از روند رگرسیونی گاوسی
عنوان اصلي به زبان ديگر
Improvement and Upgrading of Forecast Suspended Sediment discharge and Concentration at Sequence Stations Using the Gaussian Regression Process
نام نخستين پديدآور
/نسرین آقاجانی
وضعیت نشر و پخش و غیره
نام ناشر، پخش کننده و غيره
: مهندسی عمران
تاریخ نشرو بخش و غیره
، ۱۳۹۸
نام توليد کننده
، افشاری
مشخصات ظاهری
نام خاص و کميت اثر
۱۱۵ص
یادداشتهای مربوط به نشر، بخش و غیره
متن يادداشت
چاپی - الکترونیکی
یادداشتهای مربوط به پایان نامه ها
جزئيات پايان نامه و نوع درجه آن
کارشناسی ارشد
نظم درجات
مهندسی عمران،مهندسی آب
زمان اعطا مدرک
۱۳۹۸/۰۶/۱۶
کسي که مدرک را اعطا کرده
تبریز
یادداشتهای مربوط به خلاصه یا چکیده
متن يادداشت
جابه جایی و ته نشینی بار معلق رودخانه ها باعث بروز مشکلات زیادی از جمله رسوب گذاری در مخازن سدها، تغییر مسیر رودخانه ها به دلیل رسوب گذاری در بستر آنها، کاهش ظرفیت آبگذری آبراهه ها و همچنین تغییر کیفیت آب به لحاظ مصارف شرب و کشاورزی میشود.با پیشرفت‌صهای اخیر در زمینه هوش مصنوعی (AI) و محاسبات نرم (SC) در مطالعات منابع آبی استفاده از این روش‌صها می‌صتوانند گزینه مناسبی جهت مدل‌صسازی فرآیندهای هیدرولیکی و هیدرولوژیکی باشند.در این پایان‌صنامه از روش های فرآیند رگرسیون گاوسی (GPR) و ماشین بردار پشتیبان (SVM) به عنوان روش های هوشمند و روش‌صهای تبدیل موجک (DWT) و تجزیه مد تجربی یکپارچه (EEMD) به عنوان روش های پیش پردازشی برای تخمین غلظت رسوب معلق (SSC) و دبی رسوب معلق (SSD) رودخانه در دو حالت تک ایستگاهی و ارتباط بین ایستگاهی در سه ایستگاه هیدرومتریک متوالی رودخانه می سی سی پی واقع در آمریکا استفاده گردید .با ارزیابی نتایج، بهترین مدل، انتخاب شده و در نهایت با مقایسه GPRو SVM وSVM DWT - وSVM - EEMD کارآیی آنها در پیش بینی مورد بررسی قرار گرفت .نتایج حاکی از آن است که مدل SVM عملکرد بهتری نسبت به GPR داشته است.روش‌صهای پیش‌صپردازشیSVM -EEMDوSVM - DWTبه طور میانگین حدود ۷ درصد منجر به بهبود نتایج مدل‌صسازی نسبت به مدل ساده GPR و SVM شدند .همچنین مدل ترکیبی موجک تقریبا کاراتر از مدل ترکیبی تجزیه مد تجربی یکپارچه می‌صباشد
متن يادداشت
Rivers suspended sediment transport and deposition can lead to some problems such as sedimentation in reservoir of dams, changing the rivers path due to more sedimentation, reducing capacity of water transport facilities, also changing water quality from the drinking and agricultural aspect. According to recent developments in Artificial Intelligence (AI) and Soft Computing (SC) models in water resources studies, the use of these methods can be a good option for modeling hydraulic and hydrological processes. Gaussian Regression Process (GRP) and Support Vector Machine (SVM) as intelligent methods and Discrete Wavelet Transform Methods (DWT) and Ensemble Empirical Mode Decomposition (EEMD) as pre-processing methods for estimating the rivers Suspended Sediment Concentration (SSC) and Suspended Sediment Discharge (SSD) in two classification: single-station modes and stations communication at three consecutive Mississippi river hydrometric stations were used. By evaluating the results, the best model was selected and compared with GPR, SVM, DWT-SVM and EEMD-SVM. The results show that SVM models perform better than GPR. The EEMD- SVM and DWT-SVM pre-processing methods decreased the models accuracy approximately up to 7 in compared with the simple GPR and SVM models. Also, the wavelet hybrid model was more efficient than Ensemble Empirical Mode Decomposition
عنوان اصلی به زبان دیگر
عنوان اصلي به زبان ديگر
Improvement and Upgrading of Forecast Suspended Sediment discharge and Concentration at Sequence Stations Using the Gaussian Regression Process
نام شخص به منزله سر شناسه - (مسئولیت معنوی درجه اول )
مستند نام اشخاص تاييد نشده
آقاجانی، نسرین
مستند نام اشخاص تاييد نشده
Aghajani, Nasrin
دسترسی و محل الکترونیکی
يادداشت عمومي
سیاه و سفید
وضعیت فهرست نویسی
وضعیت فهرست نویسی
نمایه‌سازی قبلی
