- |
-
انتخاب بهترین روش هوشمند (ANFIS، SVM و LS-SVM) برآورد غلظت رسوب رودخانه‌ی گرگانرود (مطالعه موردی: ایستگاه قزاقلی)
پذیرفته شده برای پوستر
اصل مقاله (2.01 MB)
نویسندگان
1دانشجوی کارشناسی‌ارشد- دانشگاه گنبد کاووس
2استادیار گروه آبخیزداری، دانشگاه گنبدکاووس
3استادیار گروه آبخیزداری دانشگاه گنبد کاووس
چکیده
چکیده
تخمین صحیح مقدار غلظت رسوب و نقش آن در طراحی و مدیریت پروژه‌های منابع آب با در نظر گرفتن مشکلات فنی و اقتصادی، امکان احداث سازه‌های آبی، مهار سیلاب و قابلیت کشتیرانی همیشه نقش حیاتی در پیشبرد صحیح مطالعات مهندسی رودخانه دارد. بنابراین ارائه‌ی راهکاری مناسب جهت برآورد دقیق غلظت رسوب معلق رودخانه‌ها بسیار سودمند خواهد بود. هدف از این تحقیق، بررسی کارآیی سه روش هوش مصنوعی شامل سیستم استنتاج فازی عصبی تطبیقی، ماشین بردار پشتیبان و حداقل مربعات ماشین بردار پشتیبان به منظور پیش‌بینی غلظت رسوب معلق ایستگاه قزاقلی واقع در رودخانه‌ی گرگانرود در استان گلستان می‌باشد. برای نیل به این هدف، پنج ساختار با ورودی‌های مختلف (سناریو) به سه مدل هوشمند معرفی گردید. مطلوب‌ترین غلظت رسوب شبیه‌سازی شده از بین پنج سناریوی اجرا شده با مدل‌های ANFIS، SVM و LS-SVM در دوره‌ی آزمون برای ایستگاه قزاقلی به ترتیب دارای مقدار ریشه میانگین مربعات خطا برابر (1674، 1899 و 1743) میلی‌گرم بر لیتر و ضریب همبستگی برابر (85/0، 83/0 و 84/0) می‌باشد. ارزیابی شاخص‌های آماری محاسبه شده از غلظت رسوب مدل‌سازی شده توسط دو مدل SVM و LS-SVM نشان داد که LS-SVM عملکرد قدرتمندتری نسبت به SVM داشته است و بهترین مدل شبیه‌ساز غلظت رسوب برای حوزه‌ی قزاقلی مدل ANFIS بوده است.
تخمین صحیح مقدار غلظت رسوب و نقش آن در طراحی و مدیریت پروژه‌های منابع آب با در نظر گرفتن مشکلات فنی و اقتصادی، امکان احداث سازه‌های آبی، مهار سیلاب و قابلیت کشتیرانی همیشه نقش حیاتی در پیشبرد صحیح مطالعات مهندسی رودخانه دارد. بنابراین ارائه‌ی راهکاری مناسب جهت برآورد دقیق غلظت رسوب معلق رودخانه‌ها بسیار سودمند خواهد بود. هدف از این تحقیق، بررسی کارآیی سه روش هوش مصنوعی شامل سیستم استنتاج فازی عصبی تطبیقی، ماشین بردار پشتیبان و حداقل مربعات ماشین بردار پشتیبان به منظور پیش‌بینی غلظت رسوب معلق ایستگاه قزاقلی واقع در رودخانه‌ی گرگانرود در استان گلستان می‌باشد. برای نیل به این هدف، پنج ساختار با ورودی‌های مختلف (سناریو) به سه مدل هوشمند معرفی گردید. مطلوب‌ترین غلظت رسوب شبیه‌سازی شده از بین پنج سناریوی اجرا شده با مدل‌های ANFIS، SVM و LS-SVM در دوره‌ی آزمون برای ایستگاه قزاقلی به ترتیب دارای مقدار ریشه میانگین مربعات خطا برابر (1674، 1899 و 1743) میلی‌گرم بر لیتر و ضریب همبستگی برابر (85/0، 83/0 و 84/0) می‌باشد. ارزیابی شاخص‌های آماری محاسبه شده از غلظت رسوب مدل‌سازی شده توسط دو مدل SVM و LS-SVM نشان داد که LS-SVM عملکرد قدرتمندتری نسبت به SVM داشته است و بهترین مدل شبیه‌ساز غلظت رسوب برای حوزه‌ی قزاقلی مدل ANFIS بوده است.
کلیدواژه ها
واژه‌های کلیدی: رودخانه‌ی گرگانرود؛ سیستم استنتاج فازی عصبی تطبیقی؛ ماشین بردار پشتیبان؛ حداقل مربعات ماشین بردار پشتیبان و غلظت رسوب معلق