بررسی تأثیر شبکه موجک بر کارایی شبکه عصبی مصنوعی در پیش بینی رسوبات سیلابی (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
معمولاً سهم قابل ملاحظه ای از خسارت های ناشی از سیلاب، به رسوبات معلق در جریان سیل و هزینه های لایروبی ناشی از نشست آن ها در مناطق طبیعی، مسکونی و صنعتی برمی گردد. ازاین رو هنگام وقوع سیلاب علاوه بر پارامتر دبی آب، پایش دبی رسوبات حمل شده در آب نیز بسیار حائز اهمیت است. امروزه شبکه های عصبی مصنوعی به خوبی برای پیش بینی سری های زمانی غیرخطی توسعه یافته اند، اما ماهیت غیرخطی داده های رسوب و تأثیر گسترده ای از عوامل مختلف بر میزان دبی رسوب، منجر شده تا پیش بینی این داده ها همواره با چالش هایی مواجه باشند. تئوری موجک ازجمله روش های پیش پردازشی است که می تواند با تجزیه سری های زمانی اصلی به سیگنال های فرعی منجر به وضوح بهتر روابط درونی داده های غیرخطی گردد. در تحقیق حاضر مقادیر داده های رسوب در دو ایستگاه آبنما و میناب از حوزه آبخیز رودان هرمزگان قبل از ورود به شبکه عصبی مصنوعی از طریق تبدیل موجک به سیگنال های فرعی شکسته شد و سپس توسط شبکه عصبی مصنوعی فرایند پیش بینی صورت پذیرفت. همچنین به منظور بررسی تأثیر تبدیل موجک در عملکرد مدل شبکه عصبی، نتایج حاصل از این مدل ترکیبی با نتایج به دست آمده از مدل شبکه عصبی منفرد مقایسه گردید و کارایی آن ها با استفاده از روش اعتبارسنجی چندتکه، همبستگی و ریشه میانگین مربعات خطا مورد ارزیابی قرار گرفت. نتایج حاصله نشان داد شبکه عصبی مصنوعی در دو ایستگاه موردمطالعه به ترتیب با همبستگی 89/0 و 68/0 و شبکه عصبی موجکی با همبستگی 9/0 و 8/0 قادر به شبیه سازی میزان رسوبات هستند. همچنین آماره نرمال شده ریشه میانگین مربعات خطا به ترتیب در شبکه های عصبی مصنوعی 104/0 و 35/0 و در شبکه های ترکیبی 124/0 و 18/0 به دست آمد. با توجه به نتایج داده ها، تأثیر موجک در شناسایی سیگنال های فرعی و در نتیجه بهبود عملکرد مدل نسبت به شبکه های عصبی منفرد در پیش بینی میزان رسوبات قابل حمل در سیلاب به وضوح قابل توجه است.Investigating the Impact of Wavelet Network on the Efficiency of Artificial Neural Network in Predicting Flood Sediments
Asignificant amount of the damages caused by floods is usually due to suspended sediments in the flood and dredging costs due to their subsidence in natural, residential and industrial areas. Therefore, sediment monitoring is very important when the water discharges. On the other hand, the non-linear nature of sediment data have made it difficult to predict this parameter. Wavelet theory is one of the pre-processing methods that can help we lead to a better resolution of the internal relationships of non-linear data by breaking down the main time series into sub-signals. I this research, the sediment data values in two stations of Abnama and Minab from Hormozgan River watershed were broken through wavelet conversion into sub-signals, and then the prediction process was carried out by the artificial neural network. Moreover, in order to investigate the impact of wavelet transform on the performance of the neural network model, the results obtained from this combined model were compared with the results obtained from the single neural network model, and their efficiency was evaluated using multi-part validation method, correlation, and root-mean-square error. The results showed that the artificial neural network in the two studied stations is able to simulate the sediment discharge with a correlation of 0.89 and 0.68 as well as the wavelet neural network with a correlation of 0.9 and 0.8. Moreover, the normalized root-mean-square error statistics were 0.104 and 0.35 in artificial neural networks and 0.124 and 0.18 in combined networks, respectively. The results showed that the impact of the wavelet on identifying sub-signals and thus improving the performance of the model compared to individual neural networks on predicting the amount of sediments in floods is clearly significant.
تبلیغات
