۳ نتیجه برای برنامه‌ریزی بیان ژن
مهدی علینژادی، سید فرهاد موسوی، خسرو حسینی،
جلد ۲۵، شماره ۱ - ( ۳-۱۴۰۰ )
چکیده
امروزه، پیش‌بینی جریان رودخانه ها از مباحث مهم در هیدرولوژی و منابع آب است که میتوان از نتایج الگوبندی جریان رودخانه در مدیریت منابع آب، مدیریت سازه‌های آبی و پیش‌بینی سیل استفاده کرد. در این تحقیق، عملکرد مدل برنامه ریزی بیان ژن (GEP)، رگرسیون پارامتریک خطی (LR)، رگرسیون پارامتریک غیرخطی (NLR) و همچنین روش ناپارامتریک -K نزدیکترین همسایگی (K-NN)، در پیش‌بینی میانگین دبی روزانه رودخانه کارون در محل ایستگاه هیدرومتری ملاثانی طی دوره آماری ۹۶-۱۳۴۶ مورد ارزیابی قرار گرفته است. ترکیب های مختلفی از داده‌های ثبت شده به‌عنوان الگوی ورودی برای پیش‌بینی دبی جریان استفاده شد. نتایج به‌دست آمده حاکی از عملکرد بهتر مدل برنامه‌ریزی بیان ژن با ضریب تبیین (۰/۸۲۷= R۲)، جذر میانگین مربعات خطا (۵۹/۴۵= RMSE) و میانگین خطای مطلق (۲۶/۶۴MAE=) در مرحله صحت‌سنجی برای پیش‌بینی دبی روزانه رودخانه کارون در ایستگاه ملاثانی با تأخیر ۵ روز، در مقایسه با روش های LR، NLR و K-NN بوده است. همچنین، ارزیابی عملکرد مدل‌ها در پیش‌بینی مقادیر حداکثر آبدهی جریان نشان داد که همه مدل‌ها میزان جریان را در بیشتر موارد کمتر از مقدار مشاهداتی تخمین زده‌اند.
یاسر سبزواری، مهری سعیدی نیا،
جلد ۲۵، شماره ۲ - ( ۶-۱۴۰۰ )
چکیده
فائوپنمن‌مانتیث روشی مبنا، برای برآورد تبخیر- تعرق مرجع است. در خیلی از موارد دسترسی به همه اطلاعات مورد نیاز، مشکل است، لذا جایگزینی مدل‌های با ورودی‌های اولیه کم و دقت مناسب ضرورت می‌یابد. هدف از این پژوهش بررسی قابلیت مدل‌های تجربی، برنامه‌ریزی بیان ژن، رگرسیون گام‌به‌گام و شبکه‌بیزین در برآورد تبخیر- تعرق مرجع است. برای اطلاعات ورودی مدل از اطلاعات روزانه ایستگاه سینوپتیک بروجرد در بازه زمانی ۱۳۹۶- ۱۳۷۵ استفاده شد. بر اساس همبستگی بین پارامترهای ورودی و خروجی، شش الگوی ورودی برای مدل‌سازی تعیین شد. نتایج نشان داد از بین مدل‌های تجربی، مدل کیمبرلی‌پنمن دارای عملکرد بهتری است. برنامه‌ریزی بیان ژن با الگوی چهارم و عملگرهای پیش‌فرض مدل، دارای ۰/۹۸R۲= و ۹/۰ RMSE=، شبکه‌بیزین با الگوی ششم، دارای ۰/۹۱ R۲= و ۰۱/۱ RMSE= و رگرسیون گام‌به‌گام با الگوی ششم دارای ۰/۹۱R۲= و ۹/۰ RMSE= در مرحله آموزش دقیق‌ترین الگوها هستند. مقایسه عملکرد مدل‌ها حاکی از برتری مدل برنامه‌ریزی بیان ژن نسبت به بقیه مدل‌ها بود به‌طوری که دارای متوسط قدر مطلق خطای نسبی (AARE) به میزان ۰/۱۲ و نسبت میانگین (MR) به میزان ۰/۹۴ بود. نتایج به‌دست آمده نشان داد که برنامه‌ریزی بیان ژن دارای توانایی قابل قبولی در تخمین تبخیر- تعرق مرجع تحت شرایط آب‌وهوایی بروجرد بوده و و می‌تواند به‌عنوان یک مدل مناسب ارائه شود.
مهدی ماجدی اصل، توحید امیدپور علویان، مهدی کوهدرق، وحید شمسی،
جلد ۲۷، شماره ۳ - ( ۹-۱۴۰۲ )
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 ۲۴۳ سری دادۀ آزمایشگاهی برای سناریو اول و ۲۴۷ 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 ۶ درجه) به‌ترتیب برابر است با (۰/۹۸۱۱=R۲)، (RMSE=۰/۰۲۱۲۰)، (DC=۰/۹۸۰۷)، (R۲=۰/۹۸۹۶)، (RMSE=۰/۰۱۸۹)، (DC=۰/۹۸۷۱). (در سناریو دوم (سرریز کنگره‌ای با زاویۀ دیوارۀ سیکل ۱۲ درجه) به‌ترتیب برابراست با (۰/۹۷۷۰=R۲)،(RMSE=۰/۰۱۹۳)، (DC=۰/۹۷۶۸) و (۹۹۰۸/۰=R۲)، (RMSE=۰/۰۱۲۸)، (DC=۰/۹۹۰۵) 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.
