9 نتیجه برای ماشین بردار پشتیبان
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.
کیومرث روشنگر، ریحانه ولیزاده،
جلد 21، شماره 2 - ( 5-1396 )
چکیده
پرش هیدرولیکی متداول‌ترین روش جهت استهلاک انرژی جنبشی آب در پایین‌دست سرریزها، شوت‌ها و دریچه‌ها می‌باشد. در تحقیق کنونی مشخصات هیدرولیکی ازجمله نسبت اعماق متناوب، پرش هیدرولیکی واستهلاک انرژی در سه نوع کانال واگرای ناگهانی به‌صورت بدون مانع، دارای پله معکوس و بلوک مرکزی با استفاده از روش ماشین بردار پشتیبان SVM که به‌عنوان یک روش یادگیری ماشین می‌باشد تخمین زده شده و نرخ تأثیر پارامترهای ورودی در هر پرش مورد ارزیابی قرار گرفته است. بدین‌منظور مدل‌های مختلفی با استفاده از پارامترهای هیدرولیکی- هندسی تعریف شده و در کل تعداد 936 داده مشاهداتی برای آموزش و آزمون مدل‌های سه نوع مختلف کانال واگرا استفاده گردید. همچنین عملکرد تعدادی از روابط نیمه‌تجربی موجود نیز مورد بررسی قرار گرفته و نتایج حاصل با مدل‌های برتر SVM مقایسه گردید. نتایج حاصله ضمن تایید قابلیت روش ماشین بردار پشتیبان در تخمین مشخصات پرش هیدرولیکی، کارایی این‌روش را نسبت به روابط نیمه‌تجربی به اثبات رساند. از نتایج به‌دست آمده مشخص گردید، مدلی که بیشترین دقت را در تخمین نسبت اعماق متناوب و استهلاک انرژی داراست مدل با پارامترهای (Fr1,h1/B) و در تخمین طول پرش مدل با پارامترهای (Fr1, h2/h1) می‌باشد.
مهدی ماجدی اصل، مهدی فولادی پناه،
جلد 22، شماره 4 - ( 12-1397 )
چکیده
سرریزهای کنگرهای جزء سرریزهای غیرخطی هستند که می‌توانند دبی را برای یک عرض مشخص و بدون افزایش بار آبی، افزایش دهند. امروزه سرریزهای کنگرهای به‌عنوان گزینه‌ای مناسب برای اصلاح سرریزهایی که برای عبور حداکثر سیل محتمل با مشکل روبه‌رو هستند، مطرح می‌شوند. الگوی سه‌بعدی جریان و نامحدود بودن تغییرات پارامترهای هندسی در سرریزهای کنگرهای، چالش بزرگی را برای طراحان این سرریز ایجاد کرده است. در این تحقیق عملکرد ماشین بردار پشتیبان (SVM) در برآورد ضریب دبی سرریزهای کنگرهای مثلثی لبه تیز بررسی و با دا‌ه‌های آزمایشگاهی مورد مقایسه و ارزیابی قرار گرفته است. بدین‌منظور تعداد 123 سری داده آزمایشگاهی که شامل پارامترهای هندسی و هیدرولیکی از جمله زاویه رأس (θ)، نسبت بزرگنمایی (L/B)، نسبت بار آبی (h/w) ، عدد فرود (Fr) ، عدد وبر (We) و عدد رینولدز (Re) هستند، مورد استفاده قرار گرفتند. نتایج نشان داد که در ماشین بردار پشتیبان، ترکیب ورودی که فقط شامل پارامترهای هندسی (, h/w, L/Bθ) است، دارای بهترین نتایج با 974/0R2=، 0118/0RMSE=، 0112/0MAE= و 0170/0= MNE در مرحله آزمون دادهها است. همچنین برای این سرریزها معادلات رگرسیون غیرخطی و خطی چند جمله‌ای ارائه شده است. در پایان ضریب دبی سرریزهای کنگرهای لبه‌تیز براساس معادله ریبوک، با روش‌های SVM، رگرسیون غیرخطی و خطی، محاسبه و مقایسه شدند.
ابراهیم شریفی گرمدره، مهدی وفاخواه، سیدسعید اسلامیان،
جلد 23، شماره 1 - ( 3-1398 )
چکیده
تخمین دبی سیلاب با دوره بازگشت مختلف، یکی از مهم‌ترین عوامل لازم برای طراحی و اجرای سازههای آبی است. از طرفی بسیاری از رودخانههای موجود در حوضههای آبخیز ایران فاقد آمار و اطلاعات آبسنجی کامل و دقیق هستند. در چنین مواردی یکی از راه حل‌های مناسب برای برآورد دبیهای سیلابی با دوره بازگشت مختلف، انجام تحلیل منطقهای سیلاب است. در پژوهش حاضر 55 ایستگاه آبسنجی مورد استفاده قرار گرفتند. برای این‌منظور ابتدا دبیهای حداکثر لحظهای ایستگاههای منتخب در دوره بازگشتهای مختلف با استفاده از نرمافزار Easy Fit برآورد شد. سپس متغیرهای مؤثر بر دبیهای سیلابی جمعآوری و متغیرهای ورودی مدل با استفاده از آزمون گاما و به کمک نرمافزار WinGamma تعیین شدند. درنهایت مدلسازی دادهها با استفاده از ماشین بردار پشتیبان، شبکه عصبی مصنوعی و رگرسیون چند متغیره غیرخطی انجام پذیرفت. ارزیابی کمی و کیفی نتایج با استفاده از آمارههای گوناگون از جمله آماره ناش- ساتکلیف نشان داد که روش مدلسازی ماشین بردار پشتیبان، از بیشترین دقت نسبت به دو روش مدلسازی دیگر به‌منظور پیشبینی دبیهای حداکثر لحظهای در حوضه آبخیز دریاچه نمک برخوردار است.
مهدی ماجدی اصل، سعیده ولیزاده،
جلد 23، شماره 4 - ( 10-1398 )
چکیده
آبشستگی موضعی حول فوندانسیون سازههای دریایی و هیدرولیکی یکی از مهم‌ترین عوامل در ناپایداری و خرابی این سازه‌ها است. همواره پیشبینی نادرست عمق آبشستگی حول پایه پل‌ها باعث تحمیل ضررهای مالی در پل‌سازی و به‌خطر افتادن جان انسان‌های بسیاری شده است از این‌رو براورد دقیق این پدیده پیچیده، اطراف پایه پل‌ها لازم و ضروری است. از آنجایی که فرمول‌های ارائه شده توسط محققین مختلف، مربوط به شرایط خاص آزمایشگاهی است، در شرایط دیگر کمتر صادق بوده و از دقت چندانی برخوردار نیستند. به‌تازگی محققان زیادی تلاش کردند تا روش‌ها و مدل‌های جدیدی را با عنوان محاسبات نرم، در پیشبینی این پدیده مهم مورد بررسی قرار دهند. در این پژوهش، برای پیشبینی عمق آبشستگی اطراف پایه پل 146 سری داده آزمایشگاهی مختلف (در سه نوع شرایط آزمایشگاهی متفاوت) با استفاده از ماشین بردار پشتیبان مورد تحلیل قرار گرفت. این دادهها در قالب ترکیبات مختلف متشکل از پارامترهای ورودی و D هستند که به‌ترتیب، ضخامت زیر لایه لزج، عدد رینولدز، سرعت بحرانی، پارامتر شیلدز، سرعت برشی، سرعت متوسط، قطر متوسط ذرات، عمق اولیه جریان و قطر پایه پل معرفی می‌شوند. پارامترهای گفته شده در دو سناریو متفاوت (حالت بابعد و حالت بی‌بعد) وارد شبکه SVM شدند. برای ارزیابی کارایی ترکیبات از معیارهای آماری RMSE (جذر میانگین مربعات خطاها)، (مجذور ضریب همبستگی بین مقادیر آزمایشگاهی و پیشبینی) و DC (ضریب تعیین خطی بین مقادیر پیشبینی شده و آزمایشگاهی) استفاده شده است. نتایج حاصل از این ماشین با نتایج به‌دست آمده از فرمول‌های تجربی و روابط ارائه شده در همین تحقیق مقایسه شد. نتایج حاصل از این پیشبینی است. نتایج نشان می‌دهد، در سناریو اول ترکیب شماره 5 با پارامترهای ورودی بی‌بعد و و در سناریو دوم نیز ترکیب شماره 5 با پارامترهای ورودی بابعد و برای مرحله آزمون، به‌عنوان برترین مدل انتخاب شده‌اند. در نتیجه از نتایج چنین استنباط شد که سناریو دو (حالت بابعد) در پیشبینی عمق آبشستگی حول تک پایه قائم براورد دقیق‌تری نسبت به سناریو اول (حالت بی‌بعد) ارائه داده است. در پایان آنالیز حساسیت روی پارامترها انجام شد و پارامترهای به‌ترتیب و به‌عنوان مؤثرترین پارامترها انتخاب شدند.
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.
فاطمه گلاب کش، احد نظرپور، نوید قنواتی، تیمور بابایی نژاد،
جلد 26، شماره 2 - ( 6-1401 )
چکیده
هدف از پژوهش حاضر یافتن بهترین روش¬های بهره¬گیری از سنجش از دور و الگوریتم¬های طبقه¬بندی نظارت¬شده در پایش شوری بلندمدت در منطقه عتابیه در غرب استان خوزستان با وسعت 5000 هکتار است. شیوه کار بر پایه تفکیک سطوح مختلف خاک¬های شور به‌وسیله اطلاعات حاصل از تصاویر ماهواره¬ای لندست 7 و 8 (۲۰۰۱ تا ۲۰۱۵) همراه با داده¬های شوری برداشت¬شده از منطقه مورد مطالعه، و شاخص¬های شوری SI1، SI2، SI3، NDSI، IPVI و VSSI است. نتایج بدست آمده از طبقه¬بندی تصاویر ماهواره¬ای نشان-دهنده گسترش روند محدوده¬های شور در خاک¬های منطقه مورد مطالعه بوده که در این بین، خاک¬های با EC بیشتر از 16 دسی¬زیمنس بر متر (بسیار شور)، بیشترین فراوانی را دارند. افزایش وسعت خاک¬های شور به میزان قابل توجهی در طی 15 سال رخ داده است، به-طوری که وسعت اراضی شور بیش از 90 درصد افزایش داشته است. بر اساس این مطالعه، تنها شاخص معنی¬دار در شوری خاک در سطح اطمینان %95، شاخص SI3 بوده که توانسته است تخمین مناسبی از تغییرات افزایشی خاک¬های منطقه داشته باشد. نتایج طبقه¬بندی نظارت¬شده نشان داد که ماشین بردار پشتیبان (با دقت کلی 95/78 و ضریب کاپا 0/89)، دارای دقت بیشتری است. پس از روش ماشین بردار پشتیبان به ترتیب روش¬های حداقل فاصله از میانگین، حداکثر احتمال شباهت و فاصله ماهالانوبیس دارای بیشترین دقت هستند. بر اساس نقشه¬های شوری بدست آمده در سال¬های 2001، 2005، 2010 و 2015 میلادی می¬توان گفت میزان شوری در تمام منطقه مورد مطالعه پیشروی داشته و همزمان وسعت شوری در کلاس¬های متوسط و زیاد توسعه بسیار زیادی داشته است. به¬طوری که وسعت شوری در کلاس بسیار زیاد در سال 2015 به تدریج نسبت به سال 2001 در تمام منطقه پراکنش داشته 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.
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.
