فهرست مطالب مهندس احسان یارمحمدی
-
تحلیل رفتار / کاربرد گراف ها در مدل سازی الگوی رفتار
-
روش ابتکاری حل معادله درجه دوم، روش مشتق
-
سرزمین ستاره ها؛ خواجه نصیرالدین طوسی
-
کنونت که امکان گفتار هست، بگو ای برادر به لطف و خوشی / درآمدی بر مطلوبیت رویکردهای نرم در ساحت تعلیم و تربیت
-
روش ابتکاری حل معادله درجه دوم؛ روش هموگرافیک
-
اعجوبه رنجیده / رویکردی در تفاهم و تعامل با نخبگان بی قرار
-
سرزمین ستاره ها ابن هیثم
-
زاویه بین نیم سازهای مثلث
-
روش پروانه؛ راه حل ابتکاری معادله درجه دوم
-
زاغه نشین های بالنده / شکوفایی و رشد استعدادهای محروم
-
روش اتحاد ویژه؛ روش ابتکاری حل معادله درجه دوم
-
روش پارامتر نقطه تقارن
-
در این تحقیق از ترکیب مدل شبیه سازی و بهینه سازی برای اعمال سیاست جیره بندی مخزن استفاده گردید. شبیه سازی حوضه مورد مطالعه با استفاده از مدل WEAP برای بهره برداری از مخزن سد دویرج واقع بر رودخانه دویرج انجام شد و برای انجام بهینه سازی سیستم، از مدل چند هدفه MOICA استفاده شد. بطوریکه در آن، هدف اول، حداکثر نمودن درصد تامین نیازها در مقابل هدف دوم یعنی حداقل نمودن میزان تخطی از ظرفیتهای مجاز مخزن در طول دوره بهره برداری مد نظر قرار گرفت. در این راستا مدلسازی بهرهبرداری از مخزن با وضع موجود بهره برداری منطقه و برای یک بازه 720 ماهه (اکتبر1960 تا سپتامبر 2019) انجام شد. در نهایت با تعریف سناریوی بهینه و اعمال سیاست جیرهبندی مخزن، بهینه سازی بهره برداری از سیستم انجام و نتایج با سناریوی مرجع مقایسه گردید. در این تحقیق با در نظر گرفتن 24 متغیر تصمیم شامل 12 متغیر تراز جیرهبندی و 12 متغیر ضریب جیرهبندی پس از 1000 تکرار جوابهای بهینه حاصل گردید. نتایج نشان داد در سناریوی بهینه تخطی از ظرفیت های مجاز مخزن در هیچ دورهای اتفاق نیفتاده اما برای سناریوی مرجع زمانی که کمبود آب بیشتری وجود داشت در ماه های متوالی تراز مخزن به تراز مرده رسید که باعث عدم تامین نیاز در این ماهها و آسیب جدی به سیستم میگردد. با اعمال سیاست جیرهبندی در سناریوی بهینه، درصد تامین نیاز در ماههای بحرانی بین 20 تا 25 درصد نسبت به سناریوی مرجع افزایش مییابد که حاکی از کاهش قابل توجه شدت شکست در ماه های مذکور نسبت به سناریوی مرجع میباشد.
کلید واژگان: بهینهسازی چندهدفه, الگوریتم رقابت استعماری, سیاست جیرهبندی, شبیه سازی, WEAP}In this research, the simulation and optimization models are integrated to apply the reservoir hedging policy. Simulation of the studied basin was executed using the WEAP model to operate the Doiraj Dam reservoir located on the Doiraj River. In addition, the multi-objective MOICA model was utilized to optimize the system, in which the first objective function (maximizing the percentage of supplying demands), and the second one (minimizing the violation of allowable capacities of the reservoir during the operation period) were considered. In this regard, the operation modeling from the reservoir was carried out based on the current condition for a 720-month period (October 1960 to September 2019). Finally, by defining the optimization scenario and applying the reservoir hedging policy, the operation optimization of the reservoir was done and the results were compared with the reference scenario results. In this study, by considering 24 decision variables including 12 hedging level variables and 12 hedging coefficient variables, the optimal answers were achieved after 1000 iterations. The results showed that the violation of the allowable capacities did not occurred in any periods of the optimization scenario, while in the reference scenario the reservoir level reached the dead level in sequent months with more water shortage which might lead to the lack of water supply in such months and serious damages to the system. Due to the application of hedging policy in the optimization scenario, the percentage of supplying the demands in the critical months is increased between 20 to 35% as compared to the reference scenario, which indicates a significant reduction in the failure rate in such months.
Keywords: Multiobjective Optimization, Imperialist competitive algorithm, Hedging Policy, simulation, WEAP} -
بهینه سازی مدل های هوش مصنوعی از اهمیت بسزایی برخوردار است زیرا باعث بهبود عملکرد این مدل ها و افزایش انعطاف آنها می شود. در این مطالعه، عمق آبشستگی در مجاورت تکیه پل ها به شکل های مختلف توسط مدل ANFIS و ANFIS-Genetic Algorithm (GA) تخمین زده شد. به عبارت دیگر، برای بهینه سازی توابع عضویت مدل ANFIS از GA استفاده شد که عملکرد مدل ANFIS به شکل قابل توجهی بهبود یافت. در ابتدا، پارامترهای تاثیرگذار بر روی عمق آبشستگی در اطراف تکیه گاه پل ها تعریف شدند. سپس با استفاده از این پارامترهای ورودی، یازده مدل مختلف برای هر یک از مدل های ANFIS و ANFIS-GA تولید شدند. سپس با تجزیه و تحلیل نتایج این مدل ها، مدل برتر برای هر یک از روش های ANFIS و ANFIS-GA زنتیک معرفی شدند. به عنوان مثال، مقدار ضریب همبستگی و شاخص پراکندگی برای مدل ANFIS به ترتیب برابر با 0/979 و 0/070 و برای مدل ANFIS-GA نیز به ترتیب مساوی با 0/986 و 0/056 محاسبه شدند. علاوه بر این، نسبت اختلاف متوسط برای مدل های برتر ANFIS و ANFIS-GA به ترتیب مساوی با 0/984 و 0/988 بودند. بنابراین نشان داده شد که مدل های ترکیبی ANFIS-GA دقت بیشتری در مقایسه با مدل های ANFIS داشتند. همچنین، تحلیل حساسیت نشان داد که عدد فرود (Fr) و نسبت عمق جریان به شعاع حفره آبشستگی (h/L) به عنوان موثرترین پارامترهای ورودی برای تخمین عمق آبشستگی در مجاورت تکیه گاه پل ها شناسایی شدند.
کلید واژگان: انفیس, الگوریتم ژنتیک, بهینه سازی, آبشستگی, تکیه گاه پل, تحلیل حساسیت}Optimization of artificial intelligence (AI) models is a significant issue because it enhances the performance and flexibility of the numerical models. In this study, scour depth around bridge abutments with different shapes was estimated by means of ANFIS and ANFIS-Genetic Algorithm. In other words, the membership functions of the ANFIS model were optimized using the genetic algorithm, finding that the performance of ANFIS model was increased. Firstly, effective input parameters on the scour depth around bridge abutments were defined. Then, by using the input parameters, eleven ANFIS and ANFIS-GA models were produced. Next, the superior ANFIS and ANFIS-GA models were introduced by analyzing the numerical results. For example, the correlation coefficient and scatter index for ANFIS model were calculated to be 0.979 and 0.070; for ANFIS-GA, these were 0.986 and 0.056, respectively. In addition, the average discrepancy ratio (DRave) for ANFIS and ANFIS-GA models was 0.984 and 0.988, respectively. Also, it was shown that the ANFIS-GA models had more accuracy, as compared to the ANFIS models. Moreover, a sensitivity analysis showed that Froude number (Fr) and ratio of flow depth to radius of scour hole (h/L) were the most influential input parameters for simulating the scour depth around bridge abutments.
Keywords: ANFIS, Algorithm genetic, Optimization, Scour, Bridge abutment, Sensitivity analysis}
- در این صفحه نام مورد نظر در اسامی نویسندگان مقالات جستجو میشود. ممکن است نتایج شامل مطالب نویسندگان هم نام و حتی در رشتههای مختلف باشد.
- همه مقالات ترجمه فارسی یا انگلیسی ندارند پس ممکن است مقالاتی باشند که نام نویسنده مورد نظر شما به صورت معادل فارسی یا انگلیسی آن درج شده باشد. در صفحه جستجوی پیشرفته میتوانید همزمان نام فارسی و انگلیسی نویسنده را درج نمایید.
- در صورتی که میخواهید جستجو را با شرایط متفاوت تکرار کنید به صفحه جستجوی پیشرفته مطالب نشریات مراجعه کنید.