20 نتیجه برای شبکه عصبی مصنوعی
علیرضا مساح بوانی، سعید مرید،
جلد 9، شماره 4 - ( 10-1384 )
چکیده
تحقیق حاضر آثار ناشی از تغییر اقلیم روی دما، بارندگی و رواناب در حوضه آبریز رودخانه زاینده‌رود اصفهان را تحت دو سناریوی اقلیمی و برای دو دوره سی‌ساله 2039-2010 و 2099-2070 میلادی، تجزیه و تحلیل می‌نماید. اطلاعات مورد نیاز از مدل گردش عمومی GCM) HadCM3) شامل مقادیر بارندگی و درجه حرارت (متوسط، حداقل و حداکثر) ماهانه در دوره‌های آتی، تحت دو سناریوی A2 و B2 از سناریو‌های تولید گازهای گلخانه‌ای SRES تأمین شده است. در سناریوی A2 به دلیل تأکید بر رشد صنایع و توجه کمتر به محیط زیست افزایش بیشتری در گازهای گلخانه‌ای نسبت به سناریوی B2 که توجه بیشتری به محیط زیست دارد، فرض شده است. نتایج در مجموع نشان از کاهش بارندگی و افزایش درجه حرارت در هر دو دوره و به خصوص در دوره دوم را داشته، به طوری‌که در طی این دوره‌ها میزان کاهش بارندگی 10 و 16 درصد و افزایش درجه حرارت به میزان 6/4 و 2/3 درجه سانتی‌گراد به‌ترتیب در سناریو‌های A2 وB2 پیش‌بینی می‌شود. جهت بررسی تأثیر این تغییرات بر جریان ورودی به سد چادگان با استفاده از تکنیک شبکه عصبی مصنوعی (Artificial Neural Network, ANN) و با بررسی ورودی‌‌ها و معماری‌‌های مختلف، شبیه‌سازی بارش - رواناب در حوضه انجام شده که خروجیهای مدل، کاهش جریان تا 8/5 درصد و افزایش ضریب تغییرات جریان تا 3 برابر را برای دوره‌های آتی نشان می‌دهد. مقایسه سناریو‌های A2 و B2 نشان از وضعیت بحرانی‌تر سناریوی A2 در این حوضه دارد.
بهاء الدین نجفی، منصور زیبایی، محمدحسین شیخی، محمدحسن طرازکار،
جلد 11، شماره 1 - ( 1-1386 )
چکیده
در این مطالعه به‌منظور پیش‌بینی قیمت عمده فروشی برخی محصولات زراعی شامل گوجه‌فرنگی، پیاز و سیب‌زمینی در استان فارس، برای افق زمانی یک، سه و شش ماه آتی از روش‌های معمول پیش‌بینی و شبکه عصبی مصنوعی استفاده شد. داده‌های مورد نیاز برای دوره مهر 1377 تا تیرماه 1384 از اداره جهاد کشاورزی استان فارس اخذ گردید. از داده‌های دوره مهرماه 1377 تا دی‌ماه 1383به‌منظور مقایسه روشها و از داده‌های شش ماه آخر جهت بررسی قدرت پیش بینی استفاده شد. به‌منظور مقایسه خطای پیش‌بینی روش‌های مختلف نیز، از معیارهای میانگین قدرمطلق خطا، میانگین مجذور خطا و معیار درصد میانگین مطلق خطا بهره گرفته شد. نتایج مطالعه نشان داد که شبکه عصبی مصنوعی دارای خطای پایین‌تری جهت پیش‌بینی قیمت محصولات مختلف در افق زمانی یک و سه ماه آینده می‌باشد و به‌طور معنی‌داری از سایر روشها دقیق‌تر است. اما در پیش‌بینی شش ماه آینده تفاوت معنی‌داری بین روش‌های معمول و شبکه عصبی مصنوعی وجود ندارد.
محمدتقی دستورانی،
جلد 11، شماره 40 - ( 4-1386 )
چکیده
در این تحقیق توانایی مدل‌های شبکه عصبی مصنوعی جهت شبیه سازی رفتار هیدرولوژیکی آب در حوزه‌های آبخیز مورد بررسی قرار گرفته است. هدف اصلی تحقیق بررسی کاربرد انواع مختلف شبکه‌های عصبی مصنوعی جهت شبیه سازی جریان در یک حوزه آبخیز با چند ایستگاه هیدرومتری و پیش بینی بهنگام جریان‌های سیلابی در پایین دست بوده است. منطقه مورد بررسی قسمت فوقانی رودخانه درونت (Derwent) می‌باشد که یکی از شاخه‌های اصلی رودخانه ترنت (Trent river)در ناحیه مرکزی انگلستان است. جریان سیلاب رودخانه 3، 6، 9 و 12 ساعت قبل از وقوع در محل ایستگاه هیدرومتری واتستندول (Whatstandwell) با استفاده از داده‌های اندازه‌گیری شده در بالا دست پیش بینی گردیده است. سه نوع شبکه عصبی مختلف که عبارت‌اند از شبکه پرسپترون چند لایه(MLP network) ، شبکه برگشتی (Recurrent network)و شبکه برگشتی با تأخیر زمانی(Time lag recurrent network) به‌صورت جداگانه مورد استفاده و ارزیابی قرار گرفتند. همچنین جهت بررسی تأثیر طول داده‌های ورودی در کارایی مدل‌های شبکه عصبی، شبیه سازی‌های مختلف با استفاده از داده‌های هیدرولوژیکی با طول و تعداد متفاوت مورد استفاده قرار گرفت. داده‌های با فاصله اندازه‌گیری 30 دقیقه‌ای با طول دوره‌های 1 ماه، 6 ماه و سه سال ( که تولید تعداد مشاهده‌های متفاوتی را می‌نماید) بدین منظور مورد استفاده واقع شد. براساس نتایج به‌دست آمده هرچند شبکه‌های عصبی مصنوعی به‌صورت عمومی و کلی کارایی مناسبی را در شبیه سازی و پیش بینی دبی جریان از خود نشان داده‌اند ولی نوع شبکه عصبی مصنوعی و نیز خصوصیات داده‌های ورودی مدل خصوصاً داده‌های آموزشی پارامترهای بسیار مهمی هستند که تأثیر عمده‌ای را روی خروجیهای مدل دارند.
حسین طبری، صفر معروفی، حمید زارع ابیانه، رضا امیری چایجان، محمدرضا شریفی، علی محمد آخوندعلی،
جلد 13، شماره 50 - ( 10-1388 )
چکیده
معمولاً برای ارزیابی منابع آب مرتبط با برف در حوضه های کوهستانی، از آب معادل برف استفاده می شود. در این تحقیق، با بهره گیری از داده های مشاهده ای، کاربرد رگرسیون غیرخطی، شبکه عصبی مصنوعی و همچنین بهینه سازی پارامترهای شبکه با روش الگوریتم ژنتیک در برآورد ضخامت برف و آب معادل آن بررسی شد. بدین منظور مقادیر برآورد شده با شبکه عصبی مصنوعی، روش تلفیقی شبکه عصبی- الگوریتم ژنتیک و روش رگرسیونی با مقادیر مشاهده شده مقایسه گردید. بدین-منظور اندازه‌گیری‌های صحرایی در بهمن سال 1384 در سراب کارون انجام گردید. همچنین ضریب همبستگی، میانگین مربع خطا و میانگین خطای مطلق برای ارزیابی کارایی مدل‌های مختلف شبکه های عصبی مصنوعی و رگرسیون غیرخطی مورد استفاده قرارگرفت. با توجه به نتایج به دست آمده، روش های شبکه عصبی مصنوعی و شبکه عصبی تلفیق یافته با الگوریتم ژنتیک در برآورد آب معادل برف مناسب تشخیص داده شدند. به طور کلی از میان روش‌های به کار رفته، روش شبکه عصبی تلفیق یافته با الگوریتم ژنتیک بهترین نتیجه (84/0r=، 041/0MSE= و 051/0MAE=) را در بر داشته است. با توجه به پارامترهای مورد بررسی، ارتفاع از سطح دریا، مهمترین پارامتر مؤثر جهت برآورد آب معادل برف است.
همایون فقیه،
جلد 14، شماره 51 - ( 1-1389 )
چکیده
برآورد توزیع مکانی بارش برای اجرای طرح های مطالعات منابع آب، خشکسالی، طرح های آمایش سرزمین، محیط زیست، آبخیزداری و طرح های جامع کشاورزی ضروری می-باشد. تغییرات زیاد مقدار بارش در نقاط مختلف، کمبود ایستگاه های اندازه گیری و پیچیدگی ارتباط بارش با پارامترهای اثرگذار بر آن، اهمیت توسعه روش های کارآمد را در برآورد توزیع مکانی بارش دو چندان می نماید. شبکه عصبی مصنوعی به عنوان یک روش نوین، در مدل سازی و پیش بینی فرآیندهایی که برای شناخت و توصیف دقیق آنها راه حل و رابطه صریحی وجود نداشته، موفق بوده است. این تحقیق با هدف بررسی کارایی شبکه عصبی مصنوعی در برآورد مکانی بارش ماهانه انجام گرفت. بدین منظور شبکه عصبی با ساختار پرسپترون چند لایه برای تدوین مدل برآورد مکانی بارش در پنج ایستگاه سینوپتیک و باران سنجی، واقع در استان کردستان، به کارگرفته شد. برای طراحی ساختار مدل در هر ایستگاه، با تغییر پارامترهای قابل تنظیم، (شامل تابع انتقال، قانون آموزش، مقدار مومنتم، تعداد لایه پنهان، تعداد نرون لایه پنهان و تعداد الگوها)، شبکه های عصبی مختلف ساخته و اجرا شد. در هر مورد، ساختاری که کمترین مقدار جذر میانگین مربعات خطا (RMSE) را داشت به عنوان مدل نهایی انتخاب گردید. از آنجا که انتخاب هر یک از پارامترهای متغیر شبکه عصبی مستلزم آزمون و خطاهای مکرر و در نتیجه آموزش تعداد زیادی شبکه با ساختار مختلف بود، از روش الگوریتم ژنتیک برای بهینه یابی این پارامترها استفاده شد و کارایی این روش در بهینه سازی شبکه عصبی بررسی گردید. نتایج نشان داد، شبکه عصبی در مدل سازی و برآورد مکانی بارش ماهانه از دقت بالایی برخوردار است. همچنین تلفیق آن با الگوریتم ژنتیک، برای بهینه‌سازی شرایط اجرای شبکه عصبی، مثبت ارزیابی گردید و روش تلفیقی در اکثر موارد برتری خود را نسبت به اجرای شبکه عصبی بدون بهینه سازی نشان داد. دقیق ترین مدل در همه ایستگاه های مورد مطالعه، با استفاده از تابع انتقال سیگموئید و قانون آموزش لونبرگ مارکوارت حاصل گردید. در مدل های منتخب، مقدار ضریب تبیین (2R) بین مقادیر خروجی مدل و داده های مشاهده شده در ایستگاه، برابر با 86/0، 89/0، 94/0، 77/0 و 94/0 به دست آمد.
حمیده افخمی، محمدتقی دستورانی، حسین ملکی نژاد، حسین مبین،
جلد 14، شماره 51 - ( 1-1389 )
چکیده
خشکسالی یک شکل طبیعی از اوضاع آب و هوایی است که تکرار آن در طول زمان امری اجتناب ناپذیر می باشد. هدف اصلی این تحقیق بررسی تأثیر نوع عوامل اقلیمی در پیش بینی خشکسالی با استفاده از شبکه عصبی مصنوعی در مناطق مختلف استان یزد است. در اغلب ایستگاه های هواشناسی منطقه یزد (ایستگاه‌های باران‌سنجی) تنها داده‌های مربوط به عامل بارش موجود می باشد، در حالی که ایستگاه های همدیدی علاوه بر بارش سایر عوامل هواشناسی از جمله دمای بیشینه، دمای میانگین، رطوبت نسبی، سرعت میانگین باد، جهت باد و میزان تبخیررا نیز دارا هستند. در این تحقیق سعی گردید که نقش تعداد و نوع عوامل اقلیمی (به عنوان عوامل ورودی مدل) در دقت پیش‌بینی خشکسالی بر اساس شبکه‌های عصبی مصنوعی مورد ارزیابی قرار گیرد. منطقه مورد بررسی بخشی از استان یزد است که در بر گیرنده 13 ایستگاه کلیماتولوژی و 1 ایستگاه همدیدی است. جهت انجام این بررسی میانگین متحرک سه ساله بارش در تمام ایستگاه ها محاسبه شد و سپس با استفاده از مدل شبکه برگشتی با تأخیر زمانی(Time Lag Recurrent Network)، میانگین متحرک بارش یک سال آینده پیش‌بینی گردید، که خود عامل اصلی ارزیابی وضعیت خشکسالی در سال آتی است. علاوه بر آن در ایستگاه همدیدی یزد نیز شبیه‌سازی‌ها با ترکیبات مختلفی از ورودی ها انجام گرفت. بهترین ترکیب ورودی ترکیب " میانگین متحرک بارش - دمای بیشینه" بود که ضریب کارایی آن حدود 90/0 محاسبه شد. بررسی ها نشان داد علی‌رغم این که در 13 ایستگاه باران سنجی منطقه شبیه سازی‌ها تنها با یک ورودی (بارش) انجام گرفت، در برخی ایستگاه ها نتایج قابل قبولی به دست آمد که حتی ضریب کارایی محاسبه شده بر اساس نتایج حاصله بسیار نزدیک به ایستگاه یزد (با ورودی های مختلف) محاسبه گردید. (R2 از 48/0 در ایستگاه آقا خرانق تا 90/0 در ایستگاه گاریز متغیر بود.) البته میزان درستی پیش‌بینی ها هنگامی که فقط از یک عامل ورودی در مدل استفاده شده است از ایستگاهی به ایستگاه دیگر متفاوت بوده است. نتایج به دست آمده گویای انعطافپذیری قابل ملاحظه مدل‌های شبکه عصبی مصنوعی است که آنها را به ابزار مناسبی جهت مدلسازی در شرایطی که با فقر داده مواجه هستیم مبدل می سازد.
مجتبی شادمانی ، صفر معروفی ،
جلد 15، شماره 55 - ( 1-1390 )
چکیده
در این تحقیق، با استفاده از داده‌های مشاهده شده تشت کلاس A، کاربرد روش‌های رگرسیون غیر خطی، شبکه‌های عصبی مصنوعی، سیستم استنتاج فازی- عصبی و همچنین روش تجربی استیفنز- استوارت، جهت برآورد تبخیر روزانه منطقه کرمان مورد بررسی قرار گرفت. در روش‌های شبکه عصبی مصنوعی، سیستم استنتاج فازی- عصبی و رگرسیون غیر خطی، مقادیر دما، فشار، رطوبت نسبی، تابش خورشیدی و سرعت باد، با پنج ترکیب مختلف به عنوان متغیرهای ورودی و تبخیر از تشت به عنوان متغیر خروجی به کار گرفته شد. به منظور ارزیابی کارایی روش‌های به کار رفته، ضمن مقایسه مقادیر برآورد شده و مشاهده شده، همچنین از شاخص‌های آماری ضریب تعیین (R2)، جذر میانگین مربع خطا (RMSE) و میانگین خطای مطلق (MAE) استفاده گردید. با توجه به داده‌های مورد استفاده مقادیر میانگین ماهانه و سالانه تبخیر منطقه به ترتیب 272 و 3263 میلی‌متر است. نتایج این تحقیق نشان داد که روش فازی- عصبی نسبت به بقیه روشها، از دقت بیشتری برای برآورد تبخیر از تشت برخودار است. در این مدل، که در آن از تمام متغیرهای ورودی استفاده شده، مقادیر R2، RMSE و MAE در مرحله آزمون به ترتیب 85/0، 61/1 (میلی‌متر در روز) و 24/1 (میلی‌متر در روز) است. تحلیل حساسیت متغیرهای ورودی روش فازی- عصبی نشان داد که مقادیر دما و سرعت باد (به عنوان متغیرهای ورودی) به ترتیب بیشترین تأثیر را بر تبخیر دارا هستند. همچنین با توجه به دقت کم مدل استیفنز- استوارت، سعی شد که مقادیر ضرایب تجربی آن با استفاده از داده‌های تابش و دما اصلاح گردد، که نتایج مطلوبی به دست نیامد.
سمیه معلمی، ناصر دوات‌گر،
جلد 15، شماره 55 - ( 1-1390 )
چکیده
گنجایش تبادل کاتیونی یکی از ویژگی‌های شیمیایی مهم خاک بوده که اندازه‌گیری آن بسیار پرهزینه و وقت‌گیر است. توابع انتقالی، می‌تواند راه‌کاری مناسب در برآورد این پارامتر به جای اندازه‌گیری مستقیم باشد. هدف از این تحقیق، توسعه چند تابع انتقالی مناسب برای برآورد گنجایش تبادل کاتیونی خاک‌های استان گیلان با استفاده از دو روش رگرسیون خطی چندگانه و شبکه عصبی مصنوعی و تأثیر گروه‌بندی خاک‌ها بر پایه کلاس‌های بافتی و کربن آلی بر بهبود توانایی برآورد گنجایش تبادل کاتیونی به وسیله دو روش بود. برای این تحقیق از 1662 داده مربوط به خاک‌های استان گیلان از بانک اطلاعات آزمایشگاه شیمی خاک مؤسسه تحقیقات برنج کشور استفاده شد. نتایج نشان داد که کربن آلی مهمترین متغیر در برآورد گنجایش تبادل کاتیونی در کل داده‌ها و کلیه کلاس‌های بافتی و کربن آلی در هر دو روش رگرسیون و شبکه عصبی بوده است. شبکه عصبی مصنوعی نسبت به روش رگرسیون در برآورد گنجایش تبادل کاتیونی در کل داده‌ها، کارایی بهتری داشت و گروه‌بندی داده‌ها تنها در کلاس‌های بافتی شن و شنی رسی لومی در روش شبکه عصبی مصنوعی، موجب بهبود محسوس پیش‌بینی‌ها نسبت به کل داده‌ها شد.
بیژن خلیلی‌مقدم، مجید افیونی، احمد جلالیان، کریم عباسپور، امیر‌احمد دهقانی،
جلد 19، شماره 71 - ( 3-1394 )
چکیده
در سال‌های اخیر با ظهور سامانه اطلاعات جغرافیایی و تکنولوژی سنجش از دور، ویژگی‌های توپوگرافیکی (ارتفاع، شیب و جهت شیب) و ویژگی‌های پوشش گیاهی به راحتی به‌وسیله مدل‌های رقومی ارتفاع و شاخص پوشش گیاهی (NDVI) در مقیاسهای مختلف (حوزهای و منطقهای) قابل دسترس می‌باشد. هدف از انجام این پژوهش، بررسی امکان استفاده از ویژگی‌های توپوگرافیکی و پوشش گیاهی به‌همراه ویژگی‌های خاک به‌عنوان ویژگی‌های زود یافت برای تخمین هدایت هیدرولیکی اشباع خاک است. برای این کار توزیع اندازه ذرات خاک، کربن آلی، کربنات کلسیم و چگالی ظاهری در افقهای رویین و زیرین و ویژگی‌های توپوگرافیکی و NDVI از افق رویین خاک اندازه‌گیری شدند. سه ساختار شبکه عصبی پرسپترون برای مقایسه با رگرسیون چندمتغیره خطی مورد استفاده قرار گرفتند. کارایی توابع انتقالی خاک و توابع پیش‌بینی مکانی خاک به وسیله ضریب همبستگی اسپیرمن (r)، میانگین مربعات خطای نرمال شده (NMSE) و میانگین خطای مطلق(MAE) بین مقادیر اندازه‌گیری شده و مشاهده شده مورد ارزیابی قرار گرفت. نتایج نشان داد که ویژگی‌های توپوگرافیکی و پوشش گیاهی از متغیرهای حساس در تخمین هدایت هیدرولیکی اشباع خاک در مراتع زاگرس مرکزی میباشند. به‌طور کلی شبکه‌های عصبی (87/0=r) داری کارایی بهتری از رگرسیون چندمتغیره خطی (69/0=r) در تخمین هدایت هیدرولیکی اشباع خاک هستند.
محمد حسین مختاری، احمد نجفی،
جلد 19، شماره 72 - ( 5-1394 )
چکیده
طبقه‌بندی و تهیه نقشه کاربری‌های اراضی یکی از پرکاربردترین موارد در استفاده از داده‌های سنجش از دور است. تعدادی از روش‌های پیشرفته‌تر طبقه‌بندی در دهه‌های گذشته توسعه پیداکرده‌اند که از آنها می‌توان به شبکه‌های عصبی مصنوعی و ماشین بردار پشتیبان اشاره کرد. در این مطالعه از تصاویر لندستTM باقدرت تفکیک 30 متر جهت استخراج کاربری‌های اراضی با استفاده از دو روش طبقه‌بندی شبکه عصبی مصنوعی و ماشین بردار پشتیبان اقدام شد. نتایج، دقت بالای طبقه‌بندی‌های شبکه عصبی و ماشین بردار پشتیبان با کرنل شعاعی، هر کدام به‌ترتیب با دقت کلی 67/90 و 67/91 درصد را نشان داد. ماشین بردار پشتیبان کلاس‌هایی را که دارای خصوصیات طیفی مشترک بودند بهتر تفکیک کرد. همچنین در قسمت‌های مرزی دو نوع کاربری، ماشین بردار پشتیبان قابلیت جداسازی بهتری نسبت به شبکه عصبی داشت و مرز بین دو کلاس ملموس تر بود. با توجه به نتایج گرفته شده، هر دو روش شبکه عصبی و ماشین بردار پشتیبان برای طبقه‌بندی کاربری‌های اراضی خوب بوده، اما روش ماشین بردار پشتیبان با اختلاف 1 درصد در دقت کلی و 2درصد در ضریب کاپا بهتر بود. دقت بالای ماشین بردار پشتیبان می‌تواند ناشی از مرز تصمیم‌گیری بهینه آن باشد درحالی‌که شبکه عصبی نمی‌تواند این مرز را ایجاد کند.
مهدی حیات زاده ، جواد چزگی، محمدتقی دستورانی،
جلد 19، شماره 72 - ( 5-1394 )
چکیده
از آنجا که توسعه برنامه‌های مهار آب‌های سطحی ملزم به‌دستیابی دقیق رفتارهای جریان و میزان رسوبات آن می‌باشد لذا کمبود ایستگاه‌های اندازه‌گیری رسوب و فقدان آمار کامل رسوب، از جمله دلایل ارزیابی صحیح در شبیه‌سازی رفتار جریان‌ها و رسوبات آنهاست. از جمله مواردی که در یک حوزه آبخیز از هم تأثیر می‌پذیرند خصوصیات مورفولوژیکی حوزه و بار رسوبی جریان‌های آن می‌باشد. لذا آگاهی از میزان این ارتباط به‌منظور مدیریت و ساماندهی جریان در پایین‌دست حوزه حائز اهمیت می‌باشد. در تحقیق حاضر با استفاده از شبکه عصبی مصنوعی و روش‌های رگرسیونی سنجه رسوب براساس داده‌های 136 واقعه دبی جریان و رسوب متناظر آن و همچنین پارامترهای مورفولوژیکی به پیش‌بینی بار رسوبی حوزه باغ عباس اقدام گردیده است. بدین‌منظور در گام نخست برای پیش‌بینی بار رسوب از دو روش مذکور، فقط از داده‌های جریان استفاده گردیده و در گام بعدی خصوصیات مورفولوژیکی حوزه از قبیل ضریب شکل و ضریب فشردگی حوزه به مدل‌ها اضافه شده است. نتایج به‌دست آمده از این تحقیق نشان می‌دهد که با به‌کارگیری شبکه عصبی از نوع پرسپترون چندلایه (MLP) با الگوریتم لونبرگ- مارکوارت و تابع تحریک از نوع تانژانت سیگموید با دو لایه مخفی و 4 نرون در هر لایه، می‌توان با دقت مناسبی میزان دبی بار معلق رسوب را برآورد نمود. همچنین دقت نتایج به‌دست آمده از روش شبکه عصبی مصنوعی به‌مراتب از دقت روش منحنی سنجه بالاتر می‌باشد. در ارزیابی روش‌های شبکه NGANN, GANN و رگرسیونیSRC, MARS ، به‌ترتیب میزان ضریب همبستگی 94/0، 93/0، 767/0 و 766/0 و مجذور میانگین مربعات خطا (RMSE) به‌ترتیب 45/0، 49/0، 3/2 و 3/2 و ضریب نش- ساتکلیف (NS) به‌ترتیب 71/0، 58/0، 27/0 و 23/0 محاسبه گردید. بنابراین کاراترین روش از بین مدل‌های چهارگانه مذکور، شبکه عصبی مصنوعی همراه با داده‌های مورفولوژیکی حوزه (GANN) می‌باشد. ضمناً براساس یافته‌های تحقیق اضافه نمودن پارامترهای ژئومورفولوژیکی در روش سنجه رسوب تأثیر چندانی بر روی کارایی این مدل ندارد.
محمد عیسی‌زاده، رزگار عرب‌زاده، صابره دربندی،
جلد 20، شماره 77 - ( 8-1395 )
چکیده
انتخاب تکنیک درون‌یابی بهینه جهت تخمین پارامترهای کیفی آبخوان در نقاط اندازه‌گیری نشده نقش مهمی در مدیریت کمی و کیفی منابع آب ایفا می‌کند. هدف اصلی این تحقیق ارزیابی دقت روش‌های درون‌یابی متداول با استفاده از GIS و مدل شبکه عصبی مصنوعی می‌باشد. بدین‌منظور تخمین سه پارامتر کیفی CL، EC و pH آبخوان دشت قروه- دهگان واقع در استان کردستان توسط هر یک از مدل‌ها مورد ارزیابی قرار گرفت. در این تحقیق از داده‌های کیفی 56 چاهک مشاهداتی که دارای پراکندگی مناسبی در کل دشت هستند، استفاده گردید. در این تحقیق داده‌های 46 چاهک مشاهداتی جهت واسنجی و داده‌های 10 چاهک دیگر جهت صحت سنجی مدل‌ها استفاده شدند. نتایج نشان داد که روش‌های شبکه عصبی مصنوعی، IDW و کریجینگ (spherical) به‌ترتیب جهت تخمین پارامترهای کیفی CL، PH و EC از دقت بیشتری نسبت به سایر مدل‌ها برخوردار بوده‌اند. البته مدل شبکه عصبی در تخمین هر سه پارامتر دارای دقت بسیار خوبی می‌باشد.در صورت کمبود وقت و همچنین نیاز به‌دقت قابل قبول و ریسک کمتر در تخمین پارامترهای کیفی، استفاده از این مدل نسبت به سایر مدل‌های آماری به‌کار رفته ارجحیت دارد.
علی‌اصغر واحدی،
جلد 20، شماره 78 - ( 10-1395 )
چکیده
با توجه به بحران کمبود آب در کشور، برآورد هر چه دقیق‌تر ذخایر آب در اکوسیستم‌های جنگلی می‌تواند از مهمترین راهکارهای مورد استفاده درزمینه مدیریت بهینه منابع و چرخه آب برای توسعه بهره‌وری مدنظر قرار بگیرد. بدین منظور، با استفاده از تکنیک شبکه عصبی مصنوعی موجودی وزنی ذخایر آب تنه ۱۷۴ پایه قطع شده درختان گونه‌های مختلف اعم از راش، آزاد، ممرز، انجیلی، توسکا، بلوط و پلت شبیه‌سازی شد. از هر بخش از تنه استحصال شده درختان، قطعاتی با ابعاد حجمی ثابت در دمای ۱۰۵ درجه سانتی‌گراد در آون قرارگرفته و ضریب خشکی و چگالی ویژه کلیه نمونه‌ها اندازه‌گیری شدند. سه لایه ورودی شامل قطر برابر سینه، ارتفاع تنه و چگالی ویژه برای روند شبیه‌سازی متغیر پاسخ مورد استفاده قرار گرفتند. برای معماری توپولوژی شبکه عصبی مورد مطالعه از روش سعی و آزمون استفاده شد. نتایج نشان داد که استفاده از قطر برابر سینه به‌عنوان تنها لایه ورودی بر مبنای شاخص‌های اعتبار قطعیت شبکه عصبی، ۶۵ درصد از واریانس آزمون داده‌ها را توجیه کرد. با ورود هر سه لایه ورودی، خروجی بهینه با یک لایه پنهان حاوی تابع تانژانت سیگموئیدی در معماری صورت گرفته با تعداد ۱۵ نورون عصبی دارای حداکثر قطعیت برآوردی در جنگل‌های آمیخته راش مورد مطالعه است (۰۸/۸۱= RMSE، ۰۰۱/۰= MSE، ۹۲/۰ = ۲R). برای صرفه‌جویی در هزینه‌ها، نیروی انسانی و جلوگیری از روش برآورد تخریبی، خروجی بهینه حاصل در قالب جعبه سیاه با قابلیت کاربرد در فضای سیستم‌های دیجیتالی دارای قابلیت کاربرد وسیع برای پیش‌بینی ذخایر آب و به‌تبع آن مدیریت چرخه آب در اکوسیستم جنگلی مورد مطالعه است.
مهدی حیات زاده، محمدرضا اختصاصی، حسین ملکی نژاد، علی فتح زاده، حمیدرضا عظیم زاده،
جلد 21، شماره 1 - ( 3-1396 )
چکیده
فرسایش خاک، بی شک یکی از مهمترین مسائل و مشکلات موجود در عرصه های طبیعی کشور است و آثار مخربی در اکوسیستم های مختلف به جای میگذارد. با توجه به اینکه محاسبه مقادیر رسوب از طریق ایستگاه های رسوب سنجی و اندازه گیری های مستقیم فرسایش فرایندی هزینه بر و مشکل است، یافتن روشهایی برای برآورد دقیق میزان رسوبدهی حوضه های آبخیز بویژه در مناطق خشک و فراخشک به دلیل شرایط حساس اکولوژیکی ضروری می نماید. یکی از روش هایی که تا به امروز در این مناطق نسبت به سایر روش های برآورد رسوب بیشتر مورد استفاده قرار گرفته است روش های رگرسیونی سنجه رسوب می باشد. لذا در این تحقیق مقادیر رسوب مشاهداتی 48 واقعه (دبی و رسوب متناظر) در یک دوره 23 ساله حوضه فخرآباد- مهریز با مقادیر برآوردی از روش های سنجه چند خطی، حد وسط دسته ها، منحنی سنجه حد وسط دسته ها با ضریب اصلاحی QMLE، SMEARING و ضریب اصلاحی FAO و همچنین با نتایج حاصل از روش شبکه عصبی مصنوعی (ANN) مورد مقایسه قرار گرفته و صحت هر یک از این روشها مورد آزمون قرار گرفت. بررسی حاصل از آزمون های مجذور میانگین مربع خطا ها (RMSE)، ضریب تبیین (R2) و معیار ناش (ME) کارایی بالاتر روش شبکه عصبی (ANN) را نسبت به سایر روش های مذکور نشان دادند. نتایج آزمون های مذکور برای روش شبکه عصبی مصنوعی به عنوان روش بهینه به ترتیب 3/203، 86/0 و 66/0 را نشان دادند. نتایج حاصل مبین این است که در استفاده از هر روشی برای برآورد رسوب معلق جریان در مناطق خشک و فراخشک به دلیل ماهیت داده های مشاهداتی و همچنین رژیم خاص جریان ها که اغلب به صورت موقت و فصلی می باشند باید جانب احتیاط را رعایت نمود. در عین حال بررسی نتایج این تحقیق گویای انعطافپذیری بالاتر مدل های شبکه عصبی مصنوعی است که آنها را به ابزار مناسبی جهت مدلسازی در شرایطی که با فقر داده مواجه هستیم مبدل می سازد.
مریم صادقیان، حجت کرمی، سیدفرهاد موسوی،
جلد 21، شماره 4 - ( 11-1396 )
چکیده
امروزه، شناخت بیشتر خشکسالی و ایجاد سیستم‌های پایش آن، بخصوص در دوره‌های کوتاه مدت، و افزودن قابلیت پیش‌بینی به این سیستم‌ها، می‌تواند منجر به ارائه راهکارهای مناسبتری در بخش‌های مدیریت تخصیص منابع آب گردد. در این پژوهش، با استفاده از روش‌های پیش‌بینی سری‌های زمانی، سیستم‌های استنتاج فازی- عصبی تطبیقی و شبکه‌های عصبی مصنوعی سعی شده مدل‌های مناسب جهت پیش‌بینی خشکسالی شهرستان سمنان ارائه گردد. در این مدل‌سازی‌ها از داده‌های میانگین ماهانه پارامترهای هواشناسی مانند بارندگی، دما، حداکثر دما، حداقل دما، رطوبت نسبی، حداکثر رطوبت نسبی، حداقل رطوبت نسبی و شاخص خشکسالی SPI طی دوره آماری 1966 تا 2013 استفاده شده است. نتایج نشان داد که از بین انبوه مدل‌های ساخته شده، مدل ANFIS با ورودی‌های میانگین بارش، میانگین حداکثر دما، SPI و داده‌های یک ماه قبل آنها، با 10 قانون و تابع عضویت گوسی، با مقادیر RMSE برابر 777/0، MAE برابر 593/0 و ضریب همبستگی 4/0 در مرحله آموزش و RMSE برابر 837/0، MAE برابر 644/0 و ضریب همبستگی 362/0 در مرحله آزمون، به‌عنوان مدل برتر انتخاب شد. سپس، پارامترهای ورودی این مدل با استفاده از مدل ARIMA برای 12 ماه آینده پیش‌بینی گردید و به‌عنوان ورودی به مدل مذکور معرفی شدند و SPI برای 12 ماه آینده پیش‌بینی شد. روش‌های شبکه عصبی مصنوعی و سری زمانی با اختلاف کم در مقادیر خطا، در رتبه‌های بعد قرار گرفتند. پارامترهای ورودی SPI و دما عملکرد مناسبتر و پارامتر بارش عملکرد ضعیف‌تری را داشتند.
محمد پورمیرزا، امیرعباس کمان بدست،
جلد 23، شماره 4 - ( 10-1398 )
چکیده
یکی از مهمترین عوامل آسیب و خرابی لوله‌ها، وقوع آبشستگی موضعی است، بنابراین طراحی مطمئن و اقتصادی لوله‌ها که در مسیر جریان قرار می‌گیرند، مستلزم تخمین مناسبی از میزان تأثیر عوامل مؤثر بر آبشستگی زیر لوله است. در این پژوهش بر اساس پارامترهای مهم و اثرگذار در پدیده آبشستگی و بر اساس داده‌های به‌دست آمده در آزمایشگاه دانشگاه آزاد اسلامی واحد اهواز، مدل‌هایی بر مبنای شبکه‌های عصبی مصنوعی با استفاده از نرم‌افزارNeuroSolution5 ایجاد شد که در این تحقیق از سه مدل MLP، GFF و RBF استفاده شد و پس از مقایسه این سه مدل با یکدیگر، مدل MLP محور بررسی‌ها قرار گرفت. در نهایت با استفاده از تکنیک شبکه‌های عصبی مصنوعی میزان تأثیر هر کدام از پارامترهای مؤثر بر آبشستگی مشخص شد که بر اساس آن، پارامتر شیلدز با تأثیری بسیار زیاد (بیش از 95 درصد)، یکی از مؤثرترین عوامل در آبشستگی موضعی در این پژوهش است.
سیدحسین روشان، کاکا شاهدی، محمود حبیب نژاد روشن، ،
جلد 25، شماره 2 - ( 6-1400 )
چکیده
شبیه‌سازی فرایند بارش- رواناب در حوضه آبخیز از نقطه نظر درک بهتر مسائل هیدرولوژیک، مدیریت منابع آب، مهندسی رودخانه، سازه‌های کنترل سیل و ذخیره سیلاب اهمیت ویژه‌ای دارد. در این تحقیق، به‌منظور شبیه‌سازی فرایند بارش– رواناب از داده‌های بارش و دبی جریان در دوره زمانی 1396-1376 استفاده شد. بعد از کنترل کیفی و صحت داده‌ها، تأخیر بارش و دبی با استفاده از ضرایب خودهمبستگی، خود همبستگی جزئی و همبستگی متقارن در نرم‌افزار R Studio مشخص شد. سپس پارامترهای مؤثر و ترکیب بهینه نیز به‌روش آزمون گاما تعیین و برای اجرای مدل تحت سه سناریوی مختلف در نرم‌افزار MATLAB مورد استفاده قرار گرفتند. نتایج آزمون گاما نشان داد که پارامترهای بارش روز جاری، بارش یک روز قبل، دبی روز قبل و دو روز قبل دارای بیشترین تأثیر در دبی خروجی حوضه هستند. همچنین ترکیب‌های Pt Qt-1 و Pt Pt-1 Qt-1 Qt-2 Qt-3 مناسب‌ترین ترکیب بهینه ورودی برای مدلسازی انتخاب شدند. نتایج مدلسازی نشان داد که در مدل ماشین بردار پشتیبان تابع کرنل پایه شعاعی (RBF) نسبت به کرنل‌های چندگانه و خطی دارای عملکرد بهتری است. همچنین کارایی مدل شبکه عصبی مصنوعی (ANN) نسبت به مدل ماشین بردار پشتیبان (SVM) با تابع کرنل پایه شعاعی (RBF) بهتر است.
مهران سیف الهی، سلیم عباسی، محمد علی لطف الهی یقین، رسول دانشفراز، فرهود کلاته، مازیار فهیمی فرزام،
جلد 26، شماره 2 - ( 6-1401 )
چکیده
نشست غیرقابل پیش‌بینی سدهای خاکی پژوهشگران را بر آن داشته تا روش‌های نوین نظیر شبکه عصبی مصنوعی، تئوری موجک، منطق فازی و ترکیبی از این روشها مورد توجه آنها قرار گیرد. در این پژوهش با استفاده از روش‌های هوش مصنوعی مقدار نشست تاج در سدهای سنگریزه‌ای با هسته مرکزی تخمین زده شده است. در این پژوهش از داده‌های 35 سد سنگریزه‌ای با هسته مرکزی برای آموزش و صحت‌سنجی مدل‌ها استفاده شد. شبکه عصبی مصنوعی، مدل ترکیب تبدیل موجک و شبکه عصبی مصنوعی و سیستم استنتاج تطبیقی فازی- عصبی مدل‌های پیشنهادی ارائه شده در این پژوهش هستند. بر اساس نتایج حاصل در مطالعه حاضر، بهترین مدل برای شبکه عصبی مصنوعی با دو لایه مخفی که لایه اول 18 نورون و لایه دوم 7 نورون و با تابع فعال‌ساز Tansig-Tansig، با ضریب تعیین R2=0.4969، برای مدل سیستم استنتاج فازی- عصبی، تابع حلقوی (Dsigmoid) به‌عنوان تابع عضویت، با 3 تابع عضویت و تعداد 142 تکرار با ضریب تعیین R2=0.2860، بهترین مدل و همچنین برای ترکیب تبدیل موجک- شبکه عصبی با تابع موجک coif2 به‌دلیل انطباق بیشتر این تابع با متغیرهای ورودی، عملکرد بهتری داشته و این تابع با ضریب تعیین R2=0.9447، دارای بیشترین دقت نسبت به سایر مدل‌ها است.
بابک شاهی نژاد، عباس پارسایی، علی حقی زاده، آزاده ارشیا، زهرا شمسی،
جلد 26، شماره 3 - ( 9-1401 )
چکیده
در این پژوهش به‌منظور تخمین ابعاد هندسی کانال‌های آبرفتی پایدار شامل عرض سطح کانال (w)، عمق جریان (h) و شیب طولی (S) آنها از مدل‌های محاسبات نرم شامل مدل رگرسیون اسپلاین تطبیقی چندگانه (MARS) و مدل دسته‌بندی گروهی داده‌ها (GMDH) استفاده شد و نتایج مدل‌های توسعه داده شده با مدل شبکه عصبی چندلایه (MLP) مقایسه شد. برای توسعه مدل‌ها، پارامترهای دبی جریان (Q)، اندازه متوسط ذرات در کف و بدنه (d50) و همچنین میزان تنش برشی (t) به‌عنوان ورودی و از پارامترهای عرض سطح آب (w)، عمق جریان (h) و شیب طولی (S) به‌عنوان پارامترهای خروجی استفاده شد. مدل‌های محاسبات نرم در دو سناریو بر اساس پارامترهای خام و فرم بی‌بعد پارامترهای مستقل و وابسته، توسعه داده شدند. نتایج نشان داد که با توجه به مشخصات آماری در تخمین w بهترین عملکرد مربوط به مدل MARS است که شاخص‌های آماری دقت آن در مرحله آموزش عبارت از R2=0.902,RMSE=1.666 و در مرحله آزمایش عبارت از R2=0.844,RMSE=2.317 است. در تخمین عمق کانال، عملکرد هر دو مدل MLP و MARS تقریباً برابر است که هر دو بر اساس فرم بی‌بعد دبی جریان به‌عنوان متغیر ورودی، توسعه داده شدند. شاخص‌های آماری هر دو مدل در مرحله آموزش عبارت از و در مرحله آزمایش عبارت از است. بهترین عملکرد مدل‌های توسعه داده شده در تخمین شیب طولی کانال نیز مربوط به هردو مدل MARS و GMDH است که البته به‌صورت جزئی، دقت مدل GMDH با شاخص‌های آماری در مرحله آموزش و در مرحله آزمایش بیشتر از مدل MARS است.
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.
