فهرس المقالات نروفازی

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - پیش بینی کمیت پسماند شهری با استفاده از مدل‌های هوشمند و آنالیز عدم قطعیت آن ها
  مریم عباسی ملیحه فلاح نژاد روح الله نوری مریم میرابی
  10.30495/jest.2020.11144
  زمینه و هدف: اولین قدم برای طراحی سیستم‌های مدیریت پسماند شهری، آگاهی کامل از کمیت پسماند تولیدی می باشد. پیش‌بینی کمیت تولید پسماند به دلیل تاثیر عوامل متنوع و خارج از کنترل، یکی از پیچیده‌ترین مسایل مهندسی می‌باشد. به همین خاطر، لزوم استفاده از مدل‌هایی که قابلیت مدل‌ أکثر

  زمینه و هدف: اولین قدم برای طراحی سیستم‌های مدیریت پسماند شهری، آگاهی کامل از کمیت پسماند تولیدی می باشد. پیش‌بینی کمیت تولید پسماند به دلیل تاثیر عوامل متنوع و خارج از کنترل، یکی از پیچیده‌ترین مسایل مهندسی می‌باشد. به همین خاطر، لزوم استفاده از مدل‌هایی که قابلیت مدل‌سازی پدیده‌های پیچیده را دارند، به خوبی روشن می‌باشد. هدف از این مطالعه، پیش بینی کمیت پسماند با استفاده از مدل های هوشمند، مقایسه عملکرد و آنالیز عدم قطعیت آن ها می باشدروش بررسی: در این مطالعه، شهر مشهد به عنوان مطالعه موردی انتخاب شد و از سری زمانی تولید پسماند در فاصله زمانی سال‌های 1380 تا 1390 برای پیش‌بینی هفتگی استفاده گردید. جهت مدل سازی از مدل های هوشمند شبکه عصبی، ماشین بردار پشتیبان، سیستم استنتاجی تطبیقی نروفازی و کا نزدیک ترین همسایه استفاده گردید. پس از بهینه سازی پارامترهای هر مدل، با استفاده از از شاخص های آماری، عملکرد مدل ها مورد مقایسه قرار گرفت. در نهایت، آنالیز عدم قطعیت نتایج مدل سازی با کمک روش مونت کارلو انجام گرفت.یافته ها: نتایج نشان داد که ضریب اطمینان (2R) مدل‌های شبکه عصبی، سیستم استنتاجی تطبیقی نروفازی، ماشین بردار پشتیبان و کا نزدیک‍ترین همسایه به ترتیب 67/0، 69/0، 72/0 و 64/0 می باشد. آنالیز عدم قطعیت نیز نتایج این مقایسه را تایید نمود و نشان داد مدل ماشین بردار پشتیبان در بین سایر مدل‌ها، عدم قطعیت کم‍تری داشته و نسبت به داده‌های ورودی کم‍ترین حساسیت را دارد.بحث و نتیجه گیری: مدل‌های هوشمند از توانایی رضایت‌بخشی برای پیش بینی کمی پسماند برخوردارند و در بین مدل‌های هوشمند مورد  مطالعه، مدل ماشین بردار پشتیبان بهترین نتایج را از خود نشان داد. همچنین، عدم قطعیت نتایج مدل ماشین بردار پشتیبان در بین سایر مدل‌ها، عدم قطعیت کم تری برخوردار بود. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - مقایسه روشهای هیدرولوژیکی احتساب کننده رطوبت خاک و نروفازی در شبیه‌سازی بارش- رواناب (مطالعه موردی: حوضه آبخیز زولاچای)
  ابراهیم یوسفی مبرهن
  شبیه‌سازی هیدرولوژیکی حوزه‌های آبخیز، برای تخمین دبی اوج و حجم سیلاب حاصل ازبارندگی ها، روند یابی سیلاب در رودخانه ها و تحلیل هیدروگراف سیلاب ها صورت می گیرد. هدف از این تحقیق، کاربرد مدل های احتساب کننده رطوبت خاک (HMS SMA) و نروفازی در برآورد دبی متوسط روزانه، حجم روا أکثر

  شبیه‌سازی هیدرولوژیکی حوزه‌های آبخیز، برای تخمین دبی اوج و حجم سیلاب حاصل ازبارندگی ها، روند یابی سیلاب در رودخانه ها و تحلیل هیدروگراف سیلاب ها صورت می گیرد. هدف از این تحقیق، کاربرد مدل های احتساب کننده رطوبت خاک (HMS SMA) و نروفازی در برآورد دبی متوسط روزانه، حجم رواناب و تحلیل هیدروگراف ناشی از شبیه سازی فرآیند بارش-رواناب در حوزه آبخیز زولاچای می‌باشد. در این تحقیق پس از مدل‌سازی حوزه آبخیز در الحاقیه HEC-GeoHMS، مدل به برنامه HEC-HMS وارد و با تخمین پارامترهای مدل احتساب کننده رطوبت خاک، شبیه سازی بارش-رواناب در سایر مقیاس‌ها انجام شد. با بررسی مقیاس‌های زمانی واسنجی و بهینه‌سازی پارامترهای مدل HMS SMA می‌توان گفت که مقیاس زمانی ماهانه در شبیه‌سازی بارش-رواناب دقیق‌تر از مقیاس‌های زمانی سالانه، نیم‌سالانه و فصلی عمل می‌کند، همچنین مقیاس زمانی فصلی می‌تواند بهتر از سایر مقیاس‌های زمانی دبی اوج را تخمین بزند. مقایسه واسنجی و بهینه‌سازی روشهای احتساب کننده رطوبت خاک و نروفازی نشان داد روش فازی با بهترین ضرایب آماری (ضریب کارایی ناش-ساتکلیف 76/0 و مجموع مربعات خطای 18/0)، دقیق‌تر از روش SMA، شبیه‌سازی بارش-رواناب را انجام می‌دهد. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  3 - Trust optimization in the single web services using a neuro‌-fuzzy system
  بهارک شاکری اسکی Abolfazl Toroghi Haghighat Mehran Mohsenzadeh
  Due to improvement of Internet, employing web services is developed. By utilizing web services, distributed applications can exchange information. Trust is a main criterion to choose the proper web service as web services selection is a main issue which is still absorbi أکثر

  Due to improvement of Internet, employing web services is developed. By utilizing web services, distributed applications can exchange information. Trust is a main criterion to choose the proper web service as web services selection is a main issue which is still absorbing researchers to conduct research works on this field and analyze it. Due to the significant of this problem, neuro-fuzzy system is used to optimize the trust of single web services. Eight factors such as QoS, user preferences, subjective perspectives, objective perspectives, credibility of raters, bootstrapping, dynamic computing of trust and independency are considered in the considered neuro-fuzzy system. To achieve a trust optimization, 8 membership function various neuro-fuzzy systems are considered in this paper. Ultimately, the obtained results illustrates that the root mean square error, the precision amount, the recall amount and the F score amount of the neuro-fuzzy system is: 0.0873 %, 0.986, 0.988 and 0.987. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  4 - بررسی و مقایسه عملکرد تکنیکهای هوشمند نوین، درشبیه سازی نیترات آب زیرزمینی
  جعفر سراجی
  امروزه با توجه به خشکسالی های اخیر، یکی از اصلی ترین منابع تامین آب شرب در کشور، منابع زیرزمینی هستند و از طرفی نیترات یکی از مهم‌ترین آلاینده‌های منابع آب زیرزمینی می باشد، که اثرات نامطلوبی بر سلامت افراد دارد. پژوهش حاضر در صدد مقایسه و ارائه تکنیکی کارآمد و نوین جهت أکثر

  امروزه با توجه به خشکسالی های اخیر، یکی از اصلی ترین منابع تامین آب شرب در کشور، منابع زیرزمینی هستند و از طرفی نیترات یکی از مهم‌ترین آلاینده‌های منابع آب زیرزمینی می باشد، که اثرات نامطلوبی بر سلامت افراد دارد. پژوهش حاضر در صدد مقایسه و ارائه تکنیکی کارآمد و نوین جهت شبیه سازی وپیش بینی نیترات در این منابع می باشد. بنابراین سه تکنیک شبکه عصبی مصنوعی (ANN)وسیستم استنتاج عصبی – فازی(ANFIS) و ماشین بردارپشتیبان(SVM) درشبیه سازی به عنوان ابزاری مبتنی بر داده مقایسه میشود. شبیه سازی بر اساس نمونه های مشاهداتی از چاه های موردنظردر آبخوان مورد مطالعه طی 13سال صورت گرفته و بازه زمانی مدلسازی، ماهانه انتخاب شده است. تخمین زننده ها شبیه سازی مدل شامل منیزیم(Mg) ، بیکربنات(Hco3) ، کلسیم(Ca) ، سدیم(Na میباشند. نخست شبیه سازی هرتکنیک بصورت مجزا، روی آرایشهای مختلف انجام میشود. بر اساس نتایج حاصل از معیارهای ارزیابی سیستم نروفازی با ضریب همبستگی9978/0 R2= و 0002/0 MSE= از قابلیت و توانایی مناسبتری برخوردار میباشد. تفاصيل المقالة