| عدم قطعیت پیش بینی فرایند تبخیر تحت اثر ترکیبی هموارسازی و جیتر کردن بردار ورودی |
| کد مقاله : 1256-IWWA |
| نویسندگان |
|
مینا سیاح فرد *1، وحید نورانی2، محمد تقی اعلمی3، الناز شرقی2 1گروه عمران اب، دانشکده مهندسی عمران، دانشگاه تبریز ، تبریز، ایران . 2گروه مهندسی اب، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران. 3گروه مهندسی اب، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران |
| چکیده مقاله |
| کاهش اثرات عدم قطعیت در خروجی مدلهای هیدروکلیماتولوژیکی از نظر کاهش ریسک عملیاتی و افزایش اطمینان به این مدلها در کاربردهای عملی ضروری و چالش برانگیز است. یکی از راه های دستیابی به این هدف را می توان از طریق کاهش اثر عدم قطعیت داده ها بررسی کرد. هدف اصلی تحقیق حاضر کمی سازی عدم قطعیت پیش بینی های نقطه ای فرایند تبخیر مبتنی بر شبکه های عصبی مصنوعی (ANN) با استفاده از آنالیز فواصل پیش بینی (PI) و پیش پردازش داده ها می باشد. روش پیش پردازش داده شامل ترکیب حذف نوفه مبتنی بر موجک (WD) و آموزش با داده های جیتر شده (JD) یعنی (HWDJD) می باشد. در ساخت PIs از روش جدید تخمین باند پایین-بالا (LUBE) استفاده شده است. برای دستیابی به نتایج بهتر، متغیرهای زائد نیز از طریق آنالیز حساسیت از فرآیند آموزش شبکه حذف شدند. نتایج حاکی از آن است که روش LUBE عملکرد خوبی در تخمین باندهای PI دارد این در حالی است که کیفیت PIs حاصل تحت تاثیر پیش پردازش داده ها می باشند. در این خصوص کاهش اثرات عدم قطعیت داده ها در ایستگاه ارومیه تا 30 % مشاهده شد. طبق نتایج حذف نوفه طبیعی از محتوای سری های زمانی و سپس تولید سری های زمانی تصنعی هم الگو با سری های زمانی اصلی در کاهش اثرات عدم قطعیت موجود در داده ها در مدلسازی با ANNs موثر می باشد. |
| کلیدواژه ها |
| فواصل پیش بینی، روش تخمین باند پائین - بالا، حذف نوفه مبتنی بر موجک، داده های جیتر شده، شبکه های عصبی مصنوعی، تبخیر روزانه. |
| وضعیت: پذیرفته شده برای ارائه شفاهی |