مدل ترکیبی شبکه عصبی مصنوعی و موجک برای پیش بینی رسوب معلق روزانه بار در رودخانه
چکیده
در این تحقیق جدید مدل موجک شبکه عصبی مصنوعی (WANN) برای پیش بینی بار رسوب به حالت تعلیق در رودخانه ها پیشنهاد شد. در این مدل به تجزیه در موجک مصنوعی مرتبط با شبکه عصبی مصنوعی پرداخته شد.برای این منظور هر روز سری زمانی از دبی رودخانه و بار رسوبی معلق در ایستگاه nc رودخانه Yadkin در ایالات متحده امریکا مشاهده شده برداشت شدسپس از تجزیه وتحلیل موجک ، از سری زمانی SSL به روش ANN مدل سازی شد.برای ارزیابی دقت مدل، مدل پیشنهادی با ANN، مدل رگرسیون چند خطی (MLR) و منحنی رتبه بندی رسوب رسمی (SRC) مقایسه شد. مقایسه دقت پیش بینی مدل ها نشان داد که WANN دقیق ترین مدل در پیش بینی SSL بود. نتایج نشان داد که مدل WANN میتواند به طور رضایتبخش پدیده هیسترزیس را شبیهسازی کند، SSL تجمعی را قابل قبول و مقادیر SSL بالا را پیش بینی کند.
مقدمه
مدل سازی و پیش بینی رسوب معلق رودخانه کلید عناصر موجود در منابع آب و سیاست مدیریت جهانی و محیط زیست است. پیش بینی از SSL که غیر خطی و پیچیده است ، کار ساده ای نیست.در دهه گذشته، موارد متعددی از مطالعات انجام شده در مدل سازی از فرآیندهای رسوب انجام شده است. مدل ریاضی برای این شئ به کار که این تکنیک معمولا نیاز به یک مقدار زیادی از داده ها و زمان پاسخ طولانی است. مطالعات انجام گرفته به منظور کاهش پیچیدگی از این مشکل درشرایط الگوریتم و نظریه در حال توسعه تکنیکهای عملی است. در این روش کلاسیک مانند مدل MLR و SRCsبرای مدل سازی رسوب معلق (Kisi، 2005) به طور گسترده ای استفاده می شود. با این حال، آنها را اساسا مدلهای خطی فرض کنید که داده ها عبارتند از ثابت، و توانایی محدودی را به تصرف غیر stationarities غیر خطی در داده های هیدرولوژیکی و زیست محیطی. در سال های اخیر، استفاده از روش های هوش مصنوعی در حال افزایش است به علت توانایی های خود را. در این زمینه از منابع آب و محیط زیست فنی و مهندسی، مدل ANN اخیرا به آفت کش ها استفاده شود.تحقیقات انجام گرفته در این خصوص شامل :مدل سازی در آبهای زیر زمینی کم عمق (کیم و همکاران،2006) ، براورد عمق صیقلی نزدیک گره شمع(Zounemat-کرمانی و همکاران، 2009) پیش بینی روزهای اوزون.
abstract
In this research, a new wavelet artificial neural network (WANN) model was proposed for daily suspended sediment load (SSL) prediction in rivers. In the developed model, wavelet analysis was linked to an artificial neural network (ANN). For this purpose, daily observed time series of river discharge (Q) and SSL in Yadkin River at Yadkin College, NC station in the USA were decomposed to some sub-time series at different levels by wavelet analysis. Then, these sub-time series were imposed to the ANN technique for SSL time series modeling. To evaluate the model accuracy, the proposed model was compared with ANN, multi linear regression (MLR), and conventional sediment rating curve (SRC) models. The comparison of prediction accuracy of the models illustrated that the WANN was the most accurate model in SSL prediction. Results presented that the WANN model could satisfactorily simulate hysteresis phenomenon, acceptably estimate cumulative SSL, and reasonably predict high SSL values.
1. Introduction
The modeling and prediction of river suspended sediment are key elements in the global water recourses and environment policy and management. The prediction of SSL which is a nonlinear and complex phenomenon is not a simple task. In the past decades, numerous studies have been conducted in the modeling of sediment processes. Commonly, mathematical models are employed for this object (Verstraeten and Poesen, 2001; Ward et al., 2009); which these techniques usually need a lot of data and a long response time. Studies have been conducted to reduce the complexities of the problem in terms of developing practical techniques that do not require dwell on algorithm and theory. In this way classic models such as MLR and SRCs are widely used for suspended sediment modeling (Kisi, 2005). However, they are basically linear models assuming that data are stationary, and have a limited ability to capture non-stationarities and non-linearities in hydrological and environmental data. In recent years, the use of artificial intelligence approaches is increasing due to their capability. In the field of water resources and environmental engineering, ANN models have recently been applied to pesticide contamination modeling in shallow groundwater (Sahoo et al., 2006), simulation of polluted stream (Kim et al., 2008), estimation of scour depth near pile groups (Zounemat-Kermani et al., 2009), and forecasting of ozone episode days (Tsai et al., 2009).
چکیده
مقدمه
2- محل ابگونه سنجی و تحلیل اماری
2.1-مکان ابگونه سنجی
2.2 تحلیل اماری
3. روش ها
3.1 شبکه های عصبی مصنوعی.
3.2تحلیل موج ضربه ای
3.3 تحلیلی بازگشت چند خطی (MLR) MLR یک تکنیک استفاده شده برای مدل سازی
4.کاربرد مدل
4.1 ارزیابی مدل
4.2 کاربرد مدل های WANN و ANN
4.3 کاربرد مدل های SRC و MLR
5- نتایج و بحث
5-1 – تحلیل پسماند مغناطیسی
5.2 تخمین SSL متراکم
6 خلاصه و نتیجه گیری
abstract
1. Introduction
2. Hydrometry station and statistical analysis
2.1. Hydrometry station
2.2. Statistical analysis
3. Methods
3.1. Artificial neural networks
3.2. Wavelet analysis
3.3. Multi linear regression (MLR) analysis
3.4. Sediment rating curve (SRC) method
3.5. Proposed wavelet-artificial neural network (WANN) combination model
4. Model application
4.1. Model evaluation
4.2. Application of ANN and WANN models
4.3. Application of MLR and SRC models
5. Results and discussion
5.1. Hysteresis analysis
5.2. Cumulative SSL estimation
5.3. Prediction of high SSL values
6. Summary and conclusion
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه