7 نتیجه برای Anfis
حسین شکفته، مجید افیونی، محمدعلی حاج‌عباسی، حسین ر نظام‌آبادی‌پو، فریبرز عباسی، فرید شیخ‌الاسلام،
جلد 18، شماره 70 - ( 12-1393 )
چکیده
کاربرد مرسوم کودهای نیتروژنه از طریق آب آبیاری، یکی از مهم‌ترین عوامل افزایش غلظت نیترات آب‌های زیرزمینی نواحی فاریاب می‌باشد. این مسئله، مدیریت آب و عناصر غذایی را برای کاهش آلودگی آب‌های زیرزمینی و افزایش بازده عناصر غذایی ضروری می‌نماید. برای برآورده‌نمودن این نیاز، کودآبیاری قطره‌ای یک جایگزین مناسب می‌باشد. طراحی و اجرای کود آبیاری قطره‌ای نیازمند به دانستن آب‌شویی نیترات از محصولات با ریشه‌ی سطحی نظیر سیب‌زمینی که نمی‌توانند از لایه‌های پایینی خاک عناصر غذایی را جذب کنند، دارد. در این پژوهش، آب‌شویی نیترات از مزرعه‌ی سیب‌زمینی تحت آبیاری و کوددهی قطره‌ای با استفاده از سیستم استنتاج تطبیقی فازی-عصبی (Adaptive Network-based Fuzzy Inference System:ANFIS) در ترکیب با الگوریتم ژنتیک مدل‌سازی و پیش‌بینی گردید. در قسمت اول این مطالعه با استفاده از HYDRUS-2D، آب‌شویی نیترات از خاک شنی تحت کشت سیب‌زمینی درشرایط شدت جریان‌های مختلف قطره‌چکان و مقادیر مختلف کود نیتروژن مدل‌سازی و شبیه‌سازی گردید. نتایج حاصل از شبیه‌سازی HYDRUS-2D برای آموزش و اعتبارسنجی ANFIS جهت پیش‌بینی آب‌شویی نیترات استفاده شد. یافتن شعاع دسته‌ها در ANFIS، با استفاده از الگوریتم ژنتیک انجام گرفت. ضریب همبستگی و درصد خطای مطلق میانگین نسبی بین داده‌های حاصل از مدل ANFIS و مشاهده‌ای برای داده‌های امتحانی به‌ترتیب 99/0 و64/0 بود. با‌توجه به معیارهای ارزیابی مشخص شد که ANFIS با دقت بالایی می‌تواند آب‌شویی نیترات را در شرایط مطالعه‌ی حاضر شبیه‌سازی نماید. همچنین ANFIS می‌تواند عدم قطعیت ناشی از داده‌های مزرعه‌ای را پوشش دهد.
نوید دهقانی، مهدی وفاخواه، عبدالرضا بهره‌مند،
جلد 19، شماره 73 - ( 8-1394 )
چکیده
مدل‌سازی فرایند بارش- رواناب و پیش‌بینی دبی رودخانه یک اقدام مهم در مدیریت و مهار سیلاب‌ها، طراحی سازه‌های آبی در حوزه‌های آبخیز و مدیریت خشکسالی است. هدف این تحقیق شبیه‌سازی جریان روزانه در حوزه آبخیز کسیلیان با مدل WetSpa و شبکه عصبی- فازی تطبیقی است. WetSpa یک مدل پیوسته هیدرولوژیک- فیزیکی است که قابلیت پیش‌بینی سیلاب در مقیاس حوزه آبخیز با گام‌های زمانی مختلف را داراست و شبکه عصبی- فازی تطبیقی هم جزء مدل‌های جعبه سیاه می‌باشند که امروزه مورد توجه زیادی قرار گرفته است. در این تحقیق از آمار باران، تبخیر و دمای ایستگاه هواشناسی سنگده و آمار دبی ایستگاه ولیک‌بن طی سال‌های 1382 تا 1388 استفاده شد. نتایج شبیه‌سازی با مدلWetSpa نشان داد که این مدل به‌خوبی توانسته جریان پایه رودخانه را با معیار ناش ساتکلیف 64/0 در مرحله آزمون شبیه‌سازی نماید ولی در شبیه‌سازی جریان‌های سیلابی با خطا همراه است که دلیل آن را می‌توان به کوچک بودن آبخیز و کوتاه بودن زمان پیمایش اشاره کرد. همچنین این مدل به‌خوبی توانسته بیلان آب حوزه آبخیز کسیلیان را شبیه‌سازی کند. آنالیز حساسیت پارامترهای مدل نشان داد که ضریب افت آب زیرزمینی از بیشترین حساسیت و ضریب روز درجه بارش از کمترین حساسیت برخوردار است. همچنین شبکه عصبی- فازی تطبیقی با ورودی باران با یک روز تأخیر و تبخیر با یک روز تأخیر با معیار ناش ساتکلیف 80/0 در دوره آزمون پاسخ‌های قابل قبول‌تری نسبت به مدل WetSpa با معیار ناش ساتکلیف 24/0 داشت.
مینا جعفری، مهدی وفاخواه، احد توسلی،
جلد 19، شماره 73 - ( 8-1394 )
چکیده
فرآیند بارش - رواناب و ایجاد سیلاب از پدیده‌های هیدرولوژیکی هستند که بررسی آنها به‌سبب تأثیرپذیری از پارامترهای مختلف، دشوار می‌باشد. تاکنون روش‌ها و الگو‌های مختلفی برای تحلیل این پدیده‌ها ارائه شده است. از این‌رو هدف این پژوهش ارزیابی شبکه عصبی-فازی تطبیقی در پیش‌بینی ضریب رواناب رگبار است. به‌این منظور حوزه آبخیز بار اریه نیشابور انتخاب و داده‌های مربوط به 33 واقعه در بین سال‌های آماری 1331 تا 1385 جمع‌آوری گردید. به‌منظور انتخاب متغیرهای مستقل در برآورد ضریب رواناب از تجزیه و تحلیل عاملی استفاده شد، که براساس آن چهار متغیر مقدار متوسط بارندگی، چارک سوم، اول و چهارم شدت بارندگی و همچنین پنج متغیر شاخص ( &phi) و چارک‌های اول تا چهارم شدت بارش به‌عنوان عوامل اصلی برگزیده شدند. همچنین ترکیب سایر متغیرها براساس نقش هیدرولوژیکی آنها، به‌عنوان ورودی شبکه مدنظر قرار گرفت. نتایج نشان داد که شبکه با ورودی چارک‌های اول تا چهارم شدت بارندگی، مقدار کل بارش و شاخص &phi و بارش پنج روز قبل ضریب رواناب رگبار را با ضریب تبیین آزمون 91/0 و ریشه میانگین مربعات خطا 02806/0 و متوسط قدر مطلق خطا 0275/0 پیش‌بینی کند.
محمد جواد اسدی، سعید شعبانلو، محسن نجارچی، محمد مهدی نجفی زاده،
جلد 23، شماره 3 - ( 9-1398 )
چکیده
در این مطالعه، ضریب دبی روزنه های جانبی دایره‌ای با استفاده از یک روش ترکیبی جدید، مدل‌سازی شد. ترکیبات انجام شده در این مطالعه، به دو قسمت تقسیم شد: 1) ترکیب دو الگوریتم بهینهسازی ازدحام ذرات (PSO) و الگوریتم ژنتیک (GA) و ارائه الگوریتم PSOGA ، 2) استفاده از الگوریتم ترکیبی PSOGA جهت بهینه سازی شبکه انفیس (ANFIS) و ارائه روش ANFIS-PSOGA. با شناخت پارامترهای مؤثر بر ضریب دبی روزنه های جانبی دایروی، 11 ترکیب مختلف ارائه شد. تحلیل حساسیت انجام شده با استفاده از ANFIS، نشان داد که عدد فرود و نسبت عمق جریان به قطر روزنه (Ym/D) مؤثرترین پارامترها در مدل‌سازی ضریب دبی شناسایی شدند. همچنین، بهترین ترکیب در براورد ضریب دبی استفاده از متغیرهای فرود جریان (Fr)، نسبت عرض کانال اصلی به قطر روزنه جانبی (B/D)، نسبت ارتفاع تاج روزنه به قطر روزنه (W/D) و نسبت عمق جریان به قطر روزنه (Ym/D) بود. مقادیر MAPE، RMSE و R برای این مدل، به ترتیب برابر 0/021، 0/20 و 0/871 به‌دست آمد. پس از انتخاب بهترین ترکیب، عملکرد روش ANFIS-PSOGA با دو روش ANFIS and ANFIS-PSO، مقایسه شد. نتایج نشان داد که روش ANFIS-PSOGA برای مدل‌سازی ضریب دبی، دارای خطای کمتری بود.
امیر علیزاده، بهروز یعقوبی، سعید شعبانلو،
جلد 24، شماره 2 - ( 5-1399 )
چکیده
در این مطالعه، ضریب دبی سرریزهای لبه تیز واقع بر کانال‌های دایره‌ای با استفاده از مدل‌های انفیس و انفیس-کرم شب‌تاب شبیه‌سازی شد. همچنین برای بررسی افزایش قابلیت مدل‌های عددی از شبیه‌سازی‌های مونت‌کارلو استفاده شد. این درحالی است که روش اعتبارسنجی ضربدری برای صحت‌سنجی مدل‌های عددی به‌کار گرفته شد. با توجه به پارامترهای ورودی، چهار مدل انفیس و انفیس-کرم شب‌تاب معرفی شد. تجزیه‌و‌تحلیل نتایج عددی نشان می‌دهد که مدل برتر ضریب دبی را به‌عنوان تابعی از عدد فرود (Fr) و نسبت عمق جریان روی تاج سرریز به ارتفاع تاج سرریز (h/P) شبیه‌سازی کرد. مقادیر MARE، RMSE و R برای مدل برتر به‌ترتیب برابر 0/001، 0/002 و 0/999 محاسبه شد. این درحالی است که حداکثر مقدار MARE برای این مطالعه کمتر از 2 درصد بود.
احسان یارمحمدی، سعید شعبانلو، احمد رجبی،
جلد 25، شماره 1 - ( 3-1400 )
چکیده
بهینهسازی مدل‌های هوش مصنوعی از اهمیت بسزایی برخوردار است زیرا باعث بهبود عملکرد این مدل‌ها و افزایش انعطاف آنها می‌شود. در این مطالعه، عمق آبشستگی در مجاورت تکیه پل‌ها به شکل‌های مختلف توسط مدل ANFIS و ANFIS-Genetic Algorithm (GA) تخمین زده شد. به‌عبارت دیگر، برای بهینهسازی توابع عضویت مدل ANFIS از GA استفاده شد که عملکرد مدل ANFIS به‌شکل قابل توجهی بهبود یافت. در ابتدا، پارامترهای تأثیرگذار بر روی عمق آبشستگی در اطراف تکیه‌گاه پل‌ها تعریف شدند. سپس با استفاده از این پارامترهای ورودی، یازده مدل مختلف برای هر یک از مدل‌های ANFIS و ANFIS-GA تولید شدند. سپس با تجزیه و تحلیل نتایج این مدل‌ها، مدل برتر برای هر یک از روش‌های ANFIS و ANFIS-GA زنتیک معرفی شدند. به‌عنوان مثال، مقدار ضریب همبستگی و شاخص پراکندگی برای مدل ANFIS به‌ترتیب برابر با 0/979 و 0/070 و برای مدل ANFIS-GA نیز به‌ترتیب مساوی با 0/986 و 0/056 محاسبه شدند. علاوه بر این، نسبت اختلاف متوسط برای مدل‌های برتر ANFIS و ANFIS-GA به‌ترتیب مساوی با 0/984 و 0/988 بودند. بنابراین نشان داده شد که مدل‌های ترکیبی ANFIS-GA دقت بیشتری در مقایسه با مدل‌های ANFIS داشتند. همچنین، تحلیل حساسیت نشان داد که عدد فرود (Fr) و نسبت عمق جریان به شعاع حفره آبشستگی (h/L) به‌عنوان مؤثرترین پارامترهای ورودی برای تخمین عمق آبشستگی در مجاورت تکیه‌گاه پل‌ها شناسایی شدند.
حسین حکیمی خانسر، علی حسین زاده دلیر، جواد پارسا، جلال شیری،
جلد 26، شماره 2 - ( 6-1401 )
چکیده
پیش‌بینی دقیق فشار آب حفرهای در بدنه سدهای خاکی در زمان ساخت با روش‌های دقیق یکی از مهم‌ترین ارکان در مدیریت پایداری سدهای خاکی است. هدف کلی از این تحقیق توسعه مدل‌های ترکیبی، بر مبنای سیستم استنتاج عصبی فازی و الگوریتم‌های بهینهسازی فرا ابتکاری است. در این راستا الگوریتم‌های فرا ابتکاری بهینه‌ساز شامل الگوریتم ژنتیک (GA)، ازدحام ذرات (PSO)، تفاضل تکاملی (DE)، کلونی مورچگان برای فضای پیوسته (ACOR)، جستجوی هارمونی (HS)، رقابت استعماری (ICA)، کرم شب تاب (FA) و گرگ خاکستری(GWO) به‌منظور بهبود عملکرد آموزش سیستم استنتاج عصبی فازی، استفاده شد. سه ویژگی شامل تراز خاکریزی، زمان ساخت سد و تراز مخزن (آبگیری) حاصل از ابزار دقیق سد به‌عنوان ورودی مدل‌های ترکیبی انتخاب شدند. ارزیابی‌هایی انجام شده از مقایسه مدل‌های ترکیبی با شاخص‌های آماری، نشان‌دهنده دقت قابل قبول هر هشت مدل ترکیبی است. نتایج تحقیق نشان داد مدل ترکیبی الگوریتم ژنتیک در دوره آزمون با مقادیر ، RMSE، NRMSE وMAE به‌ترتیب برابر با مقادیر0/9540، 0486/، 0/1232 و 0/0345، بهترین عملکرد را نسبت به سایر الگوریتم‌های بهینه‌ساز دارد. همچنین الگوریتم‌های ترکیبی ANFIS-GA، ANFIS-PSO، ANFIS-ICA،ANFIS-HS عملکرد بهتری را نسبت بهANFIS-GWO، ANFIS-FA، ANFIS-ACOR و ANFIS-DE در بهبود آموزش شبکه ANFIS و پیش‌بینی فشار آب حفرهای در بدنه سدهای خاکی در زمان ساخت، دارند.
