پیش بینی تراز سطح آب مخزن سد با استفاده از مدل های هوش مصنوعی: مطالعه موردی، سد امیرکبیر کرج
پذیرفته شده برای پوستر XML
شناسه دیجیتال (DOI): 10.22631/ICCECONF.2017.15447.1195
نویسندگان
1چهارمحال و بختیاری، شهرستان شهرکرد، خیابان سعدی شرقی، کوچه 5.1 پلاک 20
2دانشیار - دانشگاه شهرکرد
چکیده
امروزه آگاهی از آب مخزن سد و مدیریت مخزن آن به خصوص در زمان‌های بحرانی سال، در جهت افزایش بهره‌وری و مدیریت منابع آب می‌باشد. در همین راستا استفاده از مدل‌های هوش مصنوعی برای پیش‌بینی تراز سطح آب مخزن در سراسر جهان روشی مناسب می‌باشد. هدف این مطالعه استفاده از رگرسیون بردار پشتیبان (SVR)، سیستم استنتاج عصبی-فازی تطبیقی (ANFIS)، شبکه عصبی (ANN)، شبکه عصبی شعاعی (RBFNN) و رگرسیون عمومی (GRNN) برای برآورد تراز سطح آب مخزن سد امیرکبیر کرج می‌باشد. با استفاده از روش تصمیم‌گیرنده ویکور مشخص شد که دو مدل ANN و RBFNN بهترین عملکرد را داشته اند. داده‌های ورودی مورد استفاده شامل تراز سطح آب، بارندگی، تبخیر، ورودی و خروجی از مخزن سد می‌باشند و ارزیابی مدل‌های مذکور توسط نه معیار صورت گرفت که ضریب همبستگی و متوسط مجذور خطا به عنوان دو معیار مهم برای مدل ANN به ترتیب برابر 0.9474 و 23.3689 و برای مدل RBFNN به ترتیب 0.9150 و 37.0144 بدست آمد.
کلیدواژه ها
موضوعات
 
Title
Reservoir Level Prediction Using Artificial Intelligence Models: Case Study, Amirkabir Dam of Karaj
Authors
Mohammad Mahdi Shahre kord, Mahmoud Mohammadrezapour Tabari
Abstract
Nowadays knowing about dam reservoir level and handling of reservoir specially at critical times of year, is for increase productivity and water resource management. In the same vein, Using from artificial intelligence models for reservoir level predictions around the world is appropriate method. The purpose of this study is using from support vector regression (SVR), adaptive neuro-fuzzy inference system (ANFIS), artificial neural network (ANN), radial basis function neural network (RBFNN) and generalized regression neural network (GRNN) for Amirkabir dam reservoir level prediction of Karaj. By using Vikor decision maker it was found that ANN and RBFNN models have had the best Performance. Using inputs includes water level, Precipitation, evaporation, input and output from dam reservoir and evaluation of the above models was performed by nine performance benchmark that the correlation coefficient and mean squared error, as two important index, was obtained respectively for ANN 0.9474, 23.3689 and for RBFNN 0.9150, 37.0144.
Keywords
Prediction, Dam Reservoir Level, Amirkabir Dam, Artificial Intelligence