محصولات

خانه مقالات-Article مقالات عمران-Civil Articles مقايسه مدل هاي كلاسيك سري زماني و هوش مصنوعي در تعيين سطح تراز آب زير زميني
مقايسه مدل هاي كلاسيك سري زماني و هوش مصنوعي در تعيين سطح تراز آب زير زميني[taliem.ir]

مقايسه مدل هاي كلاسيك سري زماني و هوش مصنوعي در تعيين سطح تراز آب زير زميني

رایگان!

تعيين مدل بهينه جهت پيش بيني تراز آب زير زميني يكي از مسائل بحث برانگيزي است كه محققين مختلف با آن مواجه مي باشند. در اين تحقيق از دو  روش هوش مصنوعي وآناليزكلاسيك سري هاي زماني براي تعيين تراز آب زير زميني در منطقه Union Countyدر ايالت نيوجرسي آمريكا استفاده شده  است. در پيش بيني براساس روش شبكه عصبي، دوره تاثير 80روزه به عنوان دوره برتر با استفاده از سعي و خطا و معماري شبكه به صورت روش  پيشخور پس انتشاري با تعداد 20نورون مخفي مي باشد. در روش آناليز سري زماني با استفاده از مشاهدات و از بين مدل هاي كلاسيك ، مدل  ARMAمدل مناسب جهت برازش بر مبناي پيش بيني ها با سطح اعتماد % 95انتخاب گرديد.

توضیحات محصول

چکیده

تعيين مدل بهينه جهت پيش بيني تراز آب زير زميني يكي از مسائل بحث برانگيزي است كه محققين مختلف با آن مواجه مي باشند. در اين تحقيق از دو  روش هوش مصنوعي وآناليزكلاسيك سري هاي زماني براي تعيين تراز آب زير زميني در منطقه Union Countyدر ايالت نيوجرسي آمريكا استفاده شده  است. در پيش بيني براساس روش شبكه عصبي، دوره تاثير 80روزه به عنوان دوره برتر با استفاده از سعي و خطا و معماري شبكه به صورت روش  پيشخور پس انتشاري با تعداد 20نورون مخفي مي باشد. در روش آناليز سري زماني با استفاده از مشاهدات و از بين مدل هاي كلاسيك ، مدل  ARMAمدل مناسب جهت برازش بر مبناي پيش بيني ها با سطح اعتماد % 95انتخاب گرديد.

 

مقدمه

آبهاي زير زميني يكي از مهمترين منابع در جهت تامين نيازهاي خانگي، صنعتي و كشاورزي و در بعضي مناطق تنها گزينه ممكن در جهت تامين اين نيازها  مي باشند. بنابراين به منظور مديريت هرچه موثرتر اين منابع، پيش بيني تغييرات ترازآب زير زميني در طول سال امري ضروري به نظر مي رسد. با توجه به آنكه سيستم آب زير زميني پيچيده، غير خطي و تحت تاثير پارامترهاي زيادي مي باشد لذا پيش بيني تراز سطح آب زير زميني امري دشوار به نظر مي  رسد. تا به حال مدل هاي زيادي براي پيش بيني تراز سطح آب زير زميني توسط محققين مختلف پيشنهاد شده اند. مدل هاي تجربي به طور گسترده اي  در پيش بيني مورد استفاده قرار گرفته اند.مدل هاي فيزيكي معمولا نياز به داده هاي زياد ورودي، خصوصيات خاك و … براي شبيه سازي دارند. بنابراين  زماني كه اطلاعات به اندازه كافي در دسترس نباشد و داده هاي مورد نياز كم بوده، مي توان از مدلهاي تجربي براي اين پيش بيني استفاده نمود. با توجه  به موارد بيان شده، مدل هاي تصادفي كه بر پايه داده هاي مشاهداتي بوده و نياز زيادي به تجارب قبلي ندارند، مي توانند گزينه مناسبي در پيش  بيني تراز آب زير زميني باشند. با در نظر داشتن اين نكته كه نوسانات تراز آب زير زميني به صورت غير خطي مي باشد، بسياري از محققين از مدل هاي  آماري نظير مدل هاي هوش مصنوعي يا سري هاي كلاسيك زماني در پيش بيني استفاده مي كنند.

 

ABSTRACT

Determining the optimal model for predicting groundwater level is one of the controversial issues that various researchers face. In this research, two methods of artificial intelligence and classical analysis of time series have been used to determine the groundwater level in Union County, New Jersey, USA. In the prediction based on the neural network method, the 80-day effect period as a superior period by using trial and error and network architecture is a post-propagation post-propagation method with 20 secret neurons. In the time series analysis method, using observations and among classic models, the ARMA model was chosen for fitting fit on the basis of predictions with confidence level of 95%.

INTRODUCTION

Groundwater is one of the most important sources for meeting the domestic, industrial and agricultural needs, and in some areas the only possible option is to meet these needs. Therefore, in order to manage these resources more efficiently, forecasting changes in groundwater level during the year seems necessary. Due to the complicated, nonlinear, and underlying parameters of the groundwater system, it is difficult to predict the level of groundwater level. So far, many models have been proposed to predict the level of groundwater level by various researchers. Empirical models have been widely used in prediction. Physical modules usually require high input data, soil characteristics, and more. Therefore, when the information is not sufficiently available and the required data is low, empirical models can be used for this prediction. According to the stated cases, random models based on observational data that do not require much previous experience can be a good alternative to predict groundwater levels. Considering that the fluctuations in groundwater level are non-linear, many researchers use statistical models such as artificial intelligence models or classical time series to predict.

Year: 2011

Publisher : Sixth National Congress on Civil Engineering

By : Zahra Ghadampour, Mahshid Shakaghian

File Information: persian Language/ 8 Page / size: 391 KB

Only site members can download free of charge after registering and adding to the cart

Download tutorial

سال : 1390

ناشر : ششمین کنـگره ملی مهنـدسی عمـران

کاری از : زهرا قدم پور ،مهشيد شقاقيان

اطلاعات فایل : زبان فارسی / 8 صفحه / حجم : KB 391

فقط اعضای سایت پس از ثبت نام و اضافه کردن به سبد خرید می توانند دانلود رایگان کنند.خوشحال می شویم به ما پبیوندید

آموزش دانلود

دیدگاه‌ها

هیچ دیدگاهی برای این محصول نوشته نشده است.

Be the first to review “مقايسه مدل هاي كلاسيك سري زماني و هوش مصنوعي در تعيين سطح تراز آب زير زميني”