مقایسه مدلهای خودهمبسته شبکه عصبی مصنوعی دینامیک و استاتیک در پیش بینی جریان ماهانه ورودی به مخزن سد دز

محورهای موضوعی : مدیریت محیط زیست

محمد ابراهیم بنی حبیب ¹ ()
محمد ولی پور ² ()
سید محمودرضا بهبهانی ³ ()

تاریخ دریافت : 1387/03/11 تاریخ پذیرش : 1387/05/04 تاریخ انتشار : 1390/10/01

کلید واژه: پیش¬بینی جریان ورودی به مخزن س, سد دز, مدل خودهمبسته شبکه عصبی مصنوعی,

چکیده مقاله :

در مقاله حاضر قابلیت مدل خود همبسته شبکه عصبی مصنوعی دینامیک برای پیش بینی جریان ماهانه ورودی مخزن سد دز ارزیابی شده و نتایج به دست آمده با مدل خودهمبسته شبکه عصبی مصنوعی استاتیک مقایسه شده است. در تحقیقات قبل مقایسه مدل‌های استاتیک و دینامیک در شبکه‌های عصبی مصنوعی صورت نگرفته است. ضمناً تحقیق حاضر از حیث خودهمبستگی مدل شبکه عصبی مصنوعی، دارای نوآوری می‌باشد. در این تحقیق آبدهی های ماهانه بین سال های 1334 تا 1380 استفاده شده است. به طوری که آمار مربوط به 42 سال اول برای آموزش مدل ها و 5 سال اخیر برای پیش بینی مدل ها استفاده گردید. ساختار های مختلف برای مدل های شبکه عصبی مصنوعی استاتیک و دینامیک با مقایسه شاخص جذر متوسط مربع خطا بررسی گردید. در ابتدا با استفاده از داده های مهر 1334 تا شهریور 1376 در مرحله آموزش مدل ها بهترین ساختار مدل های شبکه عصبی مصنوعی استاتیک و دینامیک به دست آمد. سپس بر اساس ساختارهای بهینه، جریان ماهانه ورودی به مخزن سد دز پیش بینی شده و با داده های مشاهده ای مهر 1376 تا شهریور 1381 مقایسه گردید. در این تحقیق همچنین دونوع تابع فعالیت شعاعی و سیگموئیدی و تعداد نرون‌های مختلف در لایه میانی، بررسی شد. نتایج نشان داد که بهترین مدل در پیش بینی جریان ورودی به مخزن سد دز، مدل خود همبسته شبکه عصبی مصنوعی با تابع فعالیت سیگموئیدی و تعداد 17 نرون در لایه میانی می با شد. مدل ‌های خودهمبسته شبکه عصبی مصنوعی استاتیک و دینامیک با تابع فعالیت سیگموئیدی جریان ورودی به مخزن سد دز را از 5 سال قبل پیش بینی می نمایند.

چکیده انگلیسی:

In this paper, the capability of autoregressive static and artificial dynamic neural networks models was compared for forecasting of monthly inflow of Dez reservoir. In previous researches, static and artificial dynamic neural networks models have not been compared for above-mentioned propose. In addition, using artificial neural network model as an autoregressive model is innovation point of this research.  Monthly flow data of Dez station in Dez River in years1955 to 2001 is used in this research. Data of 42 former years and 5 recent years are used for Training and testing data set, respectively. Different structure for the static and artificial dynamic neural network models were evaluated by comparing the root-mean-square error (RMSE) of the models. First, static and artificial dynamic neural network models were selected in training phase using data from October 1955 to September 1997. Then, using the selected structures, the monthly forecasted inflow of reservoir was compared with observed data from October 1997 to September 2001. Also, two types of radial and sigmoid activation function and the number of neurons in the hidden layer were investigated in this study. Results showed that the best model to forecast the reservoir inflow is autoregressive artificial neural network model associated with the sigmoid activation function and 17 neurons in the hidden layers. Artificial dynamic neural network model with sigmoid activation function can forecast reservoir inflow for 5 years better than static artificial neural networks model