به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت

جستجوی مقالات مرتبط با کلیدواژه "drainage network of sefidrood dam" در نشریات گروه "کشاورزی"

جستجوی drainage network of sefidrood dam در مقالات مجلات علمی
  • حسین حکیمی خانسر*، علی شعبانی چافجیری
    در این مطالعه قابلیت الگوریتم فرا ابتکاری چرخه آب در زمینه مدلسازی حجم آب تحویلی به شبکه آبیاری و تعیین ویژگی های موثر بر آن با ترکیب با شبکه عصبی بررسی شد. پنج ویژگی شامل حجم آب تحویلی به شبکه های آبیاری سد سفیدرود در یک روز قبل، دبی و حجم ورودی در هفت روز قبل، تراز و حجم مخزن در ده روز قبل برای ورودی مدل های هوشمند انتخاب شد. با اجرای الگوریتم هیبریدی WCA-ANN، روش انتخاب ویژگی و تحلیل حساسیت ترکیب سه تایی از ویژگی ها با مقدار خطا (MSE) برابر 00045/0 بهترین ترکیب ورودی محسوب می شوند. حجم آب تحویلی به شبکه های آبیاری سد سفیدرود در یک روز قبل با توجه به تحلیل حساسیت موثرترین ویژگی در مدلسازی آن است. در ادامه در این مطالعه وزن های شبکه عصبی مصنوعی به کمک دو الگوریتم فرا ابتکاری چرخه آب بدون عمل تبخیر (WCA) و چرخه آب با عمل تبخیر (ER.WCA) به منظور افزایش کارایی بهینه گردید. از لحاظ اولویت مدل هیبرید ANN-ER.WCA با بیش ترین دقت و کمترین خطا و با مقادیرR،NRMSE ، MAE وNS به ترتیب برابر با 9915/0، 0975/0، 0090/0 و 9829/0 در دوره آزمون، در اولویت اول و مدل های ANN-WCA و ANN به ترتیب در اولویت های بعدی قرار گرفتند.
    کلید واژگان: الگوریتم چرخه آب, انتخاب ویژگی, شبکه ی آبیاری و زهکشی سد سفیدرود, شبکه عصبی مصنوعی, هیدرواینفورماتیک
    Hossein Hakimi Khansar *, Ali Shabani Chafjiri
    In this study, the ability of water cycle algorithm in combination with ANN to model the volume of water delivered to the Irrigation and drainage network and determine the effective characteristics, was investigated. For the input of artificial intelligence models, five Features include the volume of water delivered to Sefidrood Irrigation and drainage network for one lags, flow and inlet volume for seven lags, level and reservoir volume for ten lags, were chosen. Using a hybrid algorithm, feature selection method and sensitivity analysis, a triple combination of features (with MSE of 0.00045) is the best input combination. The volume of water delivered to Sefidrood Irrigation and drainage network for one lags according to sensitivity analysis has been the most effective feature in its modeling. Then the artificial neural network weights were optimized to increase efficiency and with the help of two meta-innovative algorithms: water cycle without evaporation (WCA) and water cycle with evaporation (ER.WCA). The ANN-ER.WCA hybrid model with the highest accuracy (with values of R, NRMSE, MAE and NS equal to 0.9915, 0.0975, 0.0090 and 0.9829 in the test period, respectively) is in the first priority and the ANN-WCA and ANN models are next in line, respectively.
    Keywords: Water Cycle Algorithm, Feature selection, irrigation, drainage network of Sefidrood dam, Artificial Neural Network, hydroinformatics
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال