آمار

تعداد نشریات26
تعداد شماره‌ها250
تعداد مقالات2,186
تعداد مشاهده مقاله3,521,716
تعداد دریافت فایل اصل مقاله2,331,271
پورمحمدی, سمانه, انوری, صدیقه. (1402). پیش بینی رواناب به کمک روش های آماری ، هوش مصنوعی و مدل‌های هواشناسی ( مطالعه موردی سد امیرکبیر). سامانه مدیریت نشریات علمی, (), -. doi: 10.22098/mmws.2023.12217.1210
سمانه پورمحمدی; صدیقه انوری. "پیش بینی رواناب به کمک روش های آماری ، هوش مصنوعی و مدل‌های هواشناسی ( مطالعه موردی سد امیرکبیر)". سامانه مدیریت نشریات علمی, , , 1402, -. doi: 10.22098/mmws.2023.12217.1210
پورمحمدی, سمانه, انوری, صدیقه. (1402). 'پیش بینی رواناب به کمک روش های آماری ، هوش مصنوعی و مدل‌های هواشناسی ( مطالعه موردی سد امیرکبیر)', سامانه مدیریت نشریات علمی, (), pp. -. doi: 10.22098/mmws.2023.12217.1210
پورمحمدی, سمانه, انوری, صدیقه. پیش بینی رواناب به کمک روش های آماری ، هوش مصنوعی و مدل‌های هواشناسی ( مطالعه موردی سد امیرکبیر). سامانه مدیریت نشریات علمی, 1402; (): -. doi: 10.22098/mmws.2023.12217.1210

پیش بینی رواناب به کمک روش های آماری ، هوش مصنوعی و مدل‌های هواشناسی ( مطالعه موردی سد امیرکبیر)

مدل سازی و مدیریت آب و خاک
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 19 فروردین 1402
نوع مقاله: مطالعه موردی
شناسه دیجیتال (DOI): 10.22098/mmws.2023.12217.1210
نویسندگان
سمانه پورمحمدی* 1؛ صدیقه انوری2
1دکتری علوم و مهندسی آبخیزداری و کارشناس فنی شرکت آب و نیروی ایران
2استادیار گروه اکولوژی، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران
چکیده
پیش بینی جریان روزانه رودخانه یکی از مهم ترین مسائل هیدرولوژیکی است که برای مدیریت سیلاب بسیار مهم است. مقادیر دبی عبوری رودخانه را می توان از روش های متعددی برآورد نمود، که هر یک از روش ها دارای نقاط ضعف و قوتی هستند. در خصوص مدل های بارش - رواناب به دلیل عکس العمل غیر خطی یک حوزه آبخیز به رویداد باران مساله بسیار پیچیده می گردد. علاوه بر این به دلیل تغییرات مکانی بارش در یک حوزه این پیچیدگی بیشتر نیز می شود. در این مقاله به بررسی مدل بارش و رواناب به کمک روش های آماری و رگرسیون چند متغییره پرداخته شدهدف مقاله حاضر، پیش‌بینی جریان ورودی به سد امیرکبیر با استفاده از روش‌های رگرسیون چند متغیره و روشهای هوش مصنوعی (AI) شامل مدل شبکه عصبی مصنوعی (ANN) می‌باشد. بدین منظور از آمار7 ساله جریان رودخانه کرج (1401-1395) استفاده شد. نتایج ارزیابی عملکرد مدلها با شاخص‌هایی همچون ضریب تبیین (R2)، میانگین قدر مطلق خطا (MAE) و ریشه میانگین مربعات خطا (RMSE)، نشان داد که مدل ANN در هر دو مرحله کالیبراسیون (آموزش) و صحت‌سنجی (آزمایش) عملکرد بهتری نسبت به مدل رگرسیون چند متغیره داشته است. شاخص‌های دقت مدل برای مرحله آموزش مدل ANN برابر R2=0.77 و RMSE=0.27 m^3/s بوده است در حالیکه این شاخص‌ها برای مرحله آزمایش برابر با R2=0.87 و RMSE=0.46 m^3/s می‌باشد که حاکی از عملکرد بهتر مدل ANN بوده است.
کلیدواژه‌ها
Flow forecasting؛ artificial intelligence models؛ regression models؛ Amirkabir Dam
آمار
تعداد مشاهده مقاله: 169


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب