استفاده از هوش مصنوعی در مدل سازی فرایند بارش
ایسنا/اصفهان در پژوهشی بر اساس استفاده از هوش مصنوعی در مدل سازی فرایند بارش-رواناب، نشان داده شد که این نوع شبیه سازی یکی از روش های تخمین رواناب و ابزاری مناسب برای مطالعه فرایندهای هیدرولوژیک و ارزیابی منابع آب است.
پیش بینی رواناب یک موضوع تحقیقی فعال و اجتناب ناپذیر در زمینه هیدرولوژی آب های سطحی بوده و همچنان به خاطرعدم قطعیت های موجود در پارامترهای هواشناسی و هیدرولوژی مسئله ای پابرجا است. این مسئله یکی از نیازهای عمده در طراحی پروژه های آبخیزداری و منابع آب است که برای برآورد آن از روش های مختلف استفاده می شود.
فرایند بارش –رواناب از اساسی ترین و تأثیرگذارترین فرایندهای علم هیدرولوژی محسوب می شود و یکی از مهمترین اجزای چرخه هیدرولوژی است. با توجه به محدودیت منابع آب شیرین، پیش بینی و مدلسازی صحیح این فرایند برای مدیریت منابع آب و کاهش خسارات سیل ضروری است.
در پژوهشی که توسط یاروسلاو کرمانسکی، محمود حبیب نژاد روشن، کاکا شاهدی و سیدحسین روشان انجام شد، عملکرد روش های هوش مصنوعی ANN و SVM در مدلسازی فرایند بارش – رواناب (مطالعه موردی: حوضه آبخیز کارون شمالی) مقایسه شد.
در این تحقیق، به منظور شبیه سازی فرایند بارش– رواناب از داده های بارش و دبی جریان در دوره زمانی ۱۳۹۶ -۱۳۷۶ استفاده شد. بعد از کنترل کیفی و صحت داده ها، تأخیر بارش و دبی با استفاده از ضرایب خودهمبستگی، خود همبستگی جزئی و همبستگی متقارن در نرم افزار Studio R مشخص شد. سپس پارامترهای مؤثر و ترکیب بهینه نیز بهروش آزمون گاما تعیین و برای اجرای مدل تحت سه سناریوی مختلف در نرمافزار MATLAB مورد استفاده قرار گرفتند.
نتایج این پژوهش نشان می دهد که استفاده از روش های نوین هوش مصنوعی در شبیه سازی فرایند بارش– رواناب برای بررسی خصوصیات سیلاب ها قبل از زمان رسیدن به دبی و زمان وقوع اوج متداول شده است. همچنین نتایج آزمون گاما نشان داد که پارامترهای بارش روز جاری، بارش یک روز قبل، دبی روز قبل و دو روز قبل دارای بیشترین تأثیر در دبی خروجی حوضه هستند.
این نوع شبیه سازی یکی از روش های تخمین رواناب و ابزاری مناسب برای مطالعه فرایند های هیدرولوژیک و ارزیابی منابع آب هستند. نتایج این مطالعه می تواند در تصمیم گیرهای مدیریت صحیح منابع آب به خصوص جریان های سطحی، مطالعه مربوط به حساسیت سیلاب و هشدار سیل، انتخاب مدل بهینه برآورد رواناب ناشی از باران و مطالعات مربوط به مهندسی رودخانه و طراحی سازه ها به کار گرفته شود.
نتایج پژوهش «مقایسه عملکرد روشهای هوش مصنوعی ANN و SVM در مدلسازی فرایند بارش – رواناب (مطالعه موردی: حوضه آبخیز کارون شمالی)» در شماره دوم نشریه علوم آب و خاک دانشگاه صنعتی اصفهان تابستان ۱۴۰۰ منتشر شد.
انتهای پیام
پیش بینی رواناب یک موضوع تحقیقی فعال و اجتناب ناپذیر در زمینه هیدرولوژی آب های سطحی بوده و همچنان به خاطرعدم قطعیت های موجود در پارامترهای هواشناسی و هیدرولوژی مسئله ای پابرجا است. این مسئله یکی از نیازهای عمده در طراحی پروژه های آبخیزداری و منابع آب است که برای برآورد آن از روش های مختلف استفاده می شود.
فرایند بارش –رواناب از اساسی ترین و تأثیرگذارترین فرایندهای علم هیدرولوژی محسوب می شود و یکی از مهمترین اجزای چرخه هیدرولوژی است. با توجه به محدودیت منابع آب شیرین، پیش بینی و مدلسازی صحیح این فرایند برای مدیریت منابع آب و کاهش خسارات سیل ضروری است.
در پژوهشی که توسط یاروسلاو کرمانسکی، محمود حبیب نژاد روشن، کاکا شاهدی و سیدحسین روشان انجام شد، عملکرد روش های هوش مصنوعی ANN و SVM در مدلسازی فرایند بارش – رواناب (مطالعه موردی: حوضه آبخیز کارون شمالی) مقایسه شد.
در این تحقیق، به منظور شبیه سازی فرایند بارش– رواناب از داده های بارش و دبی جریان در دوره زمانی ۱۳۹۶ -۱۳۷۶ استفاده شد. بعد از کنترل کیفی و صحت داده ها، تأخیر بارش و دبی با استفاده از ضرایب خودهمبستگی، خود همبستگی جزئی و همبستگی متقارن در نرم افزار Studio R مشخص شد. سپس پارامترهای مؤثر و ترکیب بهینه نیز بهروش آزمون گاما تعیین و برای اجرای مدل تحت سه سناریوی مختلف در نرمافزار MATLAB مورد استفاده قرار گرفتند.
نتایج این پژوهش نشان می دهد که استفاده از روش های نوین هوش مصنوعی در شبیه سازی فرایند بارش– رواناب برای بررسی خصوصیات سیلاب ها قبل از زمان رسیدن به دبی و زمان وقوع اوج متداول شده است. همچنین نتایج آزمون گاما نشان داد که پارامترهای بارش روز جاری، بارش یک روز قبل، دبی روز قبل و دو روز قبل دارای بیشترین تأثیر در دبی خروجی حوضه هستند.
این نوع شبیه سازی یکی از روش های تخمین رواناب و ابزاری مناسب برای مطالعه فرایند های هیدرولوژیک و ارزیابی منابع آب هستند. نتایج این مطالعه می تواند در تصمیم گیرهای مدیریت صحیح منابع آب به خصوص جریان های سطحی، مطالعه مربوط به حساسیت سیلاب و هشدار سیل، انتخاب مدل بهینه برآورد رواناب ناشی از باران و مطالعات مربوط به مهندسی رودخانه و طراحی سازه ها به کار گرفته شود.
نتایج پژوهش «مقایسه عملکرد روشهای هوش مصنوعی ANN و SVM در مدلسازی فرایند بارش – رواناب (مطالعه موردی: حوضه آبخیز کارون شمالی)» در شماره دوم نشریه علوم آب و خاک دانشگاه صنعتی اصفهان تابستان ۱۴۰۰ منتشر شد.
انتهای پیام
گفتگو با هوش مصنوعی
💬 سلام! می‌خوای درباره‌ی «استفاده از هوش مصنوعی در مدل سازی فرایند بارش » بیشتر بدونی؟ من اینجام که راهنماییت کنم.