نمایش مختصر رکورد

dc.contributor.authorموسی زاده, نویدfa_IR
dc.contributor.authorآخوند علی, علی محمدfa_IR
dc.contributor.authorاحمدی, فرشادfa_IR
dc.date.accessioned1402-08-26T23:10:04Zfa_IR
dc.date.accessioned2023-11-17T23:10:07Z
dc.date.available1402-08-26T23:10:04Zfa_IR
dc.date.available2023-11-17T23:10:07Z
dc.date.issued2023-09-23en_US
dc.date.issued1402-07-01fa_IR
dc.date.submitted2023-03-07en_US
dc.date.submitted1401-12-16fa_IR
dc.identifier.citationموسی زاده, نوید, آخوند علی, علی محمد, احمدی, فرشاد. (1402). توسعه مدل های تلفیقی یادگیری ماشین مبتنی بر روش تجزیه مد تجربی گروهی کامل در برآورد جریان ورودی به سد (مطالعه موردی سد دز). نشریه آبیاری و زهکشی ایران, 17(4), 985-701.fa_IR
dc.identifier.issn2008-7942
dc.identifier.issn2676-6884
dc.identifier.urihttps://idj.iaid.ir/article_177509.html
dc.identifier.urihttps://iranjournals.nlai.ir/handle/123456789/1052639
dc.description.abstractبرآورد جریان ورودی به مخزن سدها در برنامه‌ریزی و مدیریت بهینه منابع آب، تامین آب مورد نیاز بخش‌های مختلف و مدیریت سیلاب از اهمیت ویژه‌ای برخوردار است. بنابراین در پژوهش حاضر سعی گردید تا عملکرد مدل‌های یادگیری ماشین جنگل‌های تصادفی (RF) و رگرسیون فرآیند گاوسی (GPR) با استفاده از روش پیش‌پردازش داده‌های تجزیه مد تجربی گروهی کامل (CEEMD) در برآورد جریان ماهانه ورودی به سد دز در دوره آماری 51-1350 تا 97-1396 مورد بررسی قرار گیرد. بدین منظور الگوهای ورودی در چهار سناریوی مختف شامل استفاده از داده‌های جریان با تاخیرهای زمانی، ترکیب داده‌های جریان و بارش با تاخیر‌های زمانی و اضافه‌ کردن خاصیت تناوبی به دو حالت قبل آماده و به مدل‌های منفرد معرفی شدند. نتایج نشان داد که هر مدل با سناریوهای متفاوتی به حداکثر دقت خود دست می‌یابد و در این بین مدل GPR با شاخص RMSE برابر با (m3/s) 49/97 بهترین عملکرد را داشت. پس از تعیین الگوهای برتر ورودی در هر سناریو، داده‌های مربوطه توسط روش CEEMD تجزیه و فرآیند مدل‌سازی با روش‌های RF و GPR انجام شد. بر اساس معیار‌های ارزیابی، کاهش خطا و افزایش دقت در مدل‌های تلفیقی توسعه داده شده به طور قابل ملاحظه‌ای مشهود بود. به طوریکه مدل CEEMD-GPR تواتست مقدار شاخص RMSE را به طور متوسط حدود 47 مترمکعب بر ثانیه کاهش دهد. همین روند برای مدل CEEMD-RF نیز مشاهده شد. به طور کلی عملکرد CEEMD-GPR در مقایسه با کلیه مدل‌های توسعه داده شده (منفرد یا تلفیقی) مناسب‌تر بوده و برای پیش‌بینی جریان ورودی به سد دز توصیه می‌شود.fa_IR
dc.format.extent1659
dc.format.mimetypeapplication/pdf
dc.languageفارسی
dc.language.isofa_IR
dc.publisherانجمن آبیاری و زهکشی ایرانfa_IR
dc.relation.ispartofنشریه آبیاری و زهکشی ایرانfa_IR
dc.relation.ispartofIranian Journal of Irrigation & Drainageen_US
dc.subjectتابع مد ذاتیfa_IR
dc.subjectتاخیرfa_IR
dc.subjectمدل تلفیقیfa_IR
dc.subjectمدل منفردfa_IR
dc.titleتوسعه مدل های تلفیقی یادگیری ماشین مبتنی بر روش تجزیه مد تجربی گروهی کامل در برآورد جریان ورودی به سد (مطالعه موردی سد دز)fa_IR
dc.typeTexten_US
dc.typeمقاله پژوهشیfa_IR
dc.contributor.departmentدانشگاه شهید چمران اهواز دانشکده مهندسی آب و محیط زیستfa_IR
dc.contributor.departmentاستاد گروه هیدرولوژی ومنابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهوازfa_IR
dc.contributor.departmentاستادیار دانشگاه شهید چمران اهوازfa_IR
dc.citation.volume17
dc.citation.issue4
dc.citation.spage985
dc.citation.epage701
nlai.contributor.orcid0000-0001-7387-0224


فایل‌های این مورد

Thumbnail

این مورد در مجموعه‌های زیر وجود دارد:

نمایش مختصر رکورد