جستجو در مقالات منتشر شده


23 نتیجه برای ماش
شبیه‌سازی و تخمین دبی جریان در فلوم‌های SMBF به کمک مدل‌های محاسبات نرم
بابک شاهی نژاد، عباس پارسایی، حجت الله یونسی، زهرا شمسی، آزاده ارشیا،
جلد 26، شماره 4 - ( 12-1401 )
چکیده
در پژوهش حاضر، دبی جریان در فلوم‌های حاوی نیم ‌استوانه‌های جانبی (SMBF) تحت شرایط آزاد و مستغرق با استفاده از مدل‌های ماشین بردار پشتیان (SVM)، رگرسیون انطباقی چندمتغیره اسپلاین (MARS) و مدل شبکه عصبی مصنوعی چندلایه (MLPNN)، شبیه‌سازی و تخمین زده شد. در حالت جریان آزاد از پارامترهای بی‌بعد مستخرج از آنالیز ابعادی شامل نسبت عمق جریان در بالادست به عرض گلوگاه و نسبت انقباض (عرض گلوگاه به عرض کانال) و در حالت مستغرق علاوه بر این دو پارامتر از پارامترهای عمق پایاب به عرض گلوگاه و عمق پایاب به عمق بالادست به‌عنوان ورودی و از فرم بی‌بعد دبی جریان به‌عنوان خروجی مدل‌ها استفاده شد. نتایج نشان داد که در حالت جریان آزاد در مرحله صحت‌سنجی مدل MARS با شاخص‌های آماری 0/985= R2، 0/008=RMSE، % 0/87=MAPE و مدل  SVM با شاخص‌های آماری 0/971=R2، 0/0012=RMSE، % 1/376=MAPE و مدل MLPNN با شاخص‌های آماری 0/973= R2، 0/011=RMSE، % 1/304=MAPE دبی جریان را شبیه‌سازی و پیش‌بینی کرده¬اند. در حالت مستغرق شاخص‌های آماری مدل MARS توسعه داده‌ شده عبارت از 0/978= R2، 0/018=RMSE، % 3/6=MAPE و شاخص‌های آماری مدل SVM عبارت از 0/988= R2، 0/014=RMSE، % 4/2=MAPE و شاخص‌های آماری مدل MLPNN عبارت از 0/966= R2، 0/022=RMSE و % 5/7=MAPE هستند. در توسعه مدل‌های SVM و MLPNN به‌ترتیب از توابع کرنل شعاعی و تانژانت هایپربولیک استفاده شد.

پیش‌بینی و نقشه‌برداری کربن آلی خاک با استفاده از سنجش از دور و الگوریتم‌های یادگیری ماشین
ثریا بندک، سید علیرضا موحدی نائینی، چوقی بایرام کمکی، محمد کاکوئی، جوکم ورلست،
جلد 27، شماره 3 - ( 9-1402 )
چکیده
کربن آلی خاک (SOC) که یکی از حیاتی‌ترین خصوصیات فیزیکی و شیمیایی خاک است، نقش مهمی در تولید پایدار کشاورزی دارد و از تخریب و فرسایش خاک جلوگیری می‌کند. داده‌کاوی و مدل‌سازی مکانی همراه با تکنیک‌های یادگیری ماشینی به‌منظور بررسی میزان کربن آلی خاک مبتنی بر داده‌های سنجش از دور به‌صورت گسترده مورد توجه قرار گرفته است. هدف از این مطالعه بررسی تغییرات مقدار SOC با استفاده از تکنیک سنجش از دور در مقایسه با روش‌های نمونه‌برداری مزرعه‌ای در مناطقی از گنبد کاووس و جنگل نیلی آزادشهر است. نمونه‌های خاک به‌منظور اندازه‌گیری مقدار SOC در آزمایشگاه جمع‌آوری شد. داده‌ها به دو دسته 70 درصد برای واسنجی (آموزشی) و 30 درصد اعتبارسنجی (آزمون) دسته‌بندی شدند و از الگوریتم‌های یادگیری ماشین شامل جنگل تصادفی، ماشین بردار پشتیبان، درخت تصمیم پیشرفته، و افزایش گرادیان اکسترمم برای برآورد و تهیه نقشه کربن آلی خاک استفاده شد. متغیر‌های کمکی پیش‌بینی کربن آلی خاک شامل باندها، شاخص‌های منتج از ماهواره لندست 8 و سنتینل 2، اقلیم و توپوگرافی است. نتایج نشان داد که استخراج مؤلفه‌های مربوط به باند‌ها همراه با محاسبه شاخص‌هایی مانند تفاوت پوشش گیاهی نرمال شده، شاخص خیسی، شاخص همواری دره به‌عنوان متغیر‌های کمکی نقش مهمی در برآورد صحیح‌تر مقدار ماده آلی خاک دارند. همچنین مقایسه رگرسیون‌های مختلف تخمین نشان داد، مدل جنگل تصادفی در ماهواره سنتینل 2 و مدل درخت تصمیم پیشرفته در لندست 8 به‌ترتیب با مقادیر ضریب تبیین، خطای جذر میانگین مربعات و میانگین خطای مطلق 0/64، 0/05 و 0/17 بهترین کارایی را نسبت به سایر رویکرد‌های استفاده شده در برآورد کربن آلی خاک سطحی در منطقه مطالعاتی ارائه کردند. نتایج این مطالعه بر قابلیت دادهای سنجش از دور و مدل یادگیری در تخمین مکانی کربن آلی خاک دلالت دارد و می‌تواند به‌عنوان روشی جایگزین برای روش‌های آزمایشگاهی در تعیین برخی ویژگی‌های خاک از جمله کربن آلی خاک مورد توجه قرار گیرد.

مقایسه کارایی هیدرولیکی سرریزهای غیر‌خطی قوسی در پلان با استفاده از شبکه‌های عصبی GEP و SVM
مهدی ماجدی اصل، توحید امیدپور علویان، مهدی کوهدرق، وحید شمسی،
جلد 27، شماره 3 - ( 9-1402 )
چکیده
سرریزهای غیرخطی ضمن دارا بودن مزیت‌های اقتصادی، قابلیت عبوردهی بیشتری را نسبت به سرریزهای خطی دارند. این سرریزها با افزایش طول تاج در یک عرض مشخص، در مقایسه با سرریزهای خطی راندمان دبی بیشتر با ارتفاع آزاد کمتر را در بالادست دارند. الگوریتم‌های هوشمند به‌دلیل توانایی زیاد در کشف رابطه‌های دقیق پیچیدۀ مخفی بین پارامترهای مستقل مؤثر و پارامتر وابسته و همچنین صرفه‌جویی مالی و زمانی، جایگاه بسیار ارزشمندی بین پژوهشگران پیدا کرده‌اند. در این پژوهش عملکرد الگوریتم‌های ماشین‌بردار پشتیبان  (SVM) و برنامه‌ریزی بیان ژن (GEP) در پیش‌بینی ضریب دبی سرریزهای غیرخطی قوسی به کمک 243 سری دادۀ آزمایشگاهی برای سناریو اول و 247 سری داده آزمایشگاهی برای سناریو دوم بررسی شده است. پارامترهای هندسی و هیدرولیکی استفاده شده شامل بار آبی (HT/p)، ارتفاع سرریز (P)، نسبت بار آبی کل  ، زاویه سیکل قوسی (Ɵ)، زاویه دیواره سیکل(α)  و ضریب دبی (Cd) است. نتایج هوش مصنوعی نشان داد که ترکیب پارامترهای (H_T/p ،α ،Ɵ و Cd) به‌ترتیب در الگوریتم‌های GEP و SVM در مرحلۀ آموزش مربوط به سناریو اول (سرریز کنگره¬ای با زاویۀ دیوارۀ سیکل 6 درجه) به‌ترتیب برابر است با  (0/9811=R2)، (RMSE=0/02120)،  (DC=0/9807)، (R2=0/9896)، (RMSE=0/0189)،  (DC=0/9871).  (در سناریو دوم (سرریز کنگره‌ای با زاویۀ دیوارۀ سیکل 12 درجه) به‌ترتیب برابراست با (0/9770=R2)،(RMSE=0/0193)، (DC=0/9768) و (9908/0=R2)،  (RMSE=0/0128)،  (DC=0/9905) که در مقایسه با دیگر ترکیب‌ها منجر به بهینه‌ترین خروجی شده است که نشان‌دهنده دقت بسیار مطلوب هر دو الگوریتم در پیش‌بینی ضریب دبی سرریز غیرخطی قوسی است. نتایج آنالیز حساسیت نشان داد که پارامتر مؤثر در تعیین ضریب دبی سرریز غیرخطی قوسی در GEP و هم در SVM پارامتر نسبت بار آبی کل (HT/p) است. مقایسه نتایج این پژوهش با سایر پژوهشگران نشان می‌دهد که شاخصه‌های ارزیابی برای الگوریتم‌های GEP و SVM پژوهش حاضر نسبت به سایر پژوهشگران برآورد بهتری دارند.

صفحه 2 از 2    
اولین
قبلی
1
2
بعدی
آخرین
 

کلیه حقوق این وب سایت متعلق به مجله علوم آب و خاک دانشگاه صنعتی اصفهان می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2024 CC BY-NC 4.0 | JWSS - Isfahan University of Technology

Designed & Developed by : Yektaweb