مهندسی عمران امیرکبیر، جلد ۵۴، شماره ۱۱، صفحات ۱۸-۱۸
عنوان فارسی بررسی عدم قطعیت مدل‌های هوشمند در برآورد جریان رودخانه (مطالعه موردی: رودخانه کارون)
چکیده فارسی مقاله پیش‌بینی دقیق فرآیندهای هیدرولوژیکی و احتساب عدم قطعیت‌های آنها، از جمله چالش‌های اساسی در حوضه مدیریت منابع اب است. هدف مقاله حاضر، پیش‌بینی جریان ماهانه رودخانه کارون در محل ایستگاه هیدرومتری ارمند با استفاده از روش‌های هوش مصنوعی (AI) می‌باشد. بکارگیری رویکرد شبیه‌سازی مونت کارلو (MCS) جهت احتساب عدم قطعیت پیش‌بینی‌های نامبرده و نیز مقایسه عملکرد آنها از اهداف دیگر مقاله محسوب می‌شود. بدین منظور از مدل‌های مبتنی بر AI شامل برنامه‌نویسی بیان ژن(GEP) ، اسپیلاین رگرسیون تطبیقی چند متغیره (MARS) و درخت مدل (MT) استفاده شده است. همچنین آمار 28 ساله جریان رودخانه کارون (سالهای 1387-1360) استفاده و برای تولید اعداد تصادفی، روش پارامتریک توماس–فیرینگ (TF) بکار گرفته شد. نتایج ارزیابی عملکرد مدلها با شاخص‌هایی همچون ضریب همبستگی (R)، میانگین قدر مطلق خطا (MAE) و ریشه میانگین مربعات خطا (RMSE)، نشان داد که مدل MT در هر دو مرحله آموزش و آزمون عملکرد بهتری نسبت به سایرین داشته است. شاخص‌های دقت مدل برای مرحله آموزش مدل MT برابر R=0.841 و RMSE=36.789 m^3/s بوده است در حالیکه این شاخص‌ها برای مرحله آزمون برابر با R=0.87 و RMSE=44.253 m^3/s می‌باشد. نتایج ارزیابی عدم قطعیت پیش‌بینی‌ها توسط مدلهای MARS، GEP و MT نشان داد که مدل MT با داشتن شاخص R-factor=1.67 و 95PPU=55.5% بهترین عملکرد را برای احتساب عدم قطعیت داشته است.
کلیدواژه‌های فارسی مقاله تخمین، عدم، قطعیت، جریان، مدل،
عنوان انگلیسی The Uncertainty Analysis of Artificial Intelligence Models in Forecasting River Flow (Case Study: Karun River)
چکیده انگلیسی مقاله Accurate forecasting of hydrological process and taking into account their uncertainties are the major challenges in the water resources management. The goal of this paper is to forecast the monthly streamflow of Karun River at Armand hydrometric station using artificial intelligence (AI) methods. Applying the Monte-Carlo simulation (MCS) approach for considering the uncertainty of the AI forecasts and compareing their performance is another objective of this paper. In this regard, some AI-based models including Gene Expression Programming (GEP), Multivariate Adaptive Regression Spline (MARS) and Model Tree (MT) have been used. A 28-year historical data of Karun river (for period of 1981-2008) were also employed. To generate random numbers of stochastic variable, Thomas-Fairing (TF) parametric method was applied. The results of evaluating the performance of these models with indices like correlation coefficient (R), Mean Absolute Error (MAE) and Root Mean Square Error (RMSE), showed that the MT model had better performance than the others in both training and testing phases. The model accuracy indices for the MT model in training phase were R= 0.841 and RMSE= 36.789 m3/ s, while these indices for the test phase were R= 0.87 and RMSE = 44.253 m3/ s. The uncertainty results of the MARS, GEP and MT models showed that the MT model with R-factor= 1.67 and 95PPU=55.5% had the best performance for calculating uncertainty.
کلیدواژه‌های انگلیسی مقاله تخمین, عدم, قطعیت, جریان, مدل
نویسندگان مقاله یاسر مهدی زاده زارع اناری |
دانشجوی کارشناسی ارشد گروه منابع آب، دانشکده عمران و نقشه برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته، کرمان، ایران..

محمد نجف زاده |
دانشیار، گروه مهندسی آب، دانشکده مهندسی عمران و نقشه برداری، دانشگاه تحصیلات تکمیلی و فناوری پیشرفته، کرمان

صدیقه انوری |
کرمان، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته

نشانی اینترنتی https://ceej.aut.ac.ir/article_4882_fe6ae4dd717db38a26c7105544dfe60a.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات