اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدتأثير إضافة معامل الزمن على أداء الشبكة العصبية الاصطناعية في تقدير التّبخر اليومي في المنطقة الجبلية من الساحل السوري
The Effect Of Adding Time Factor On The Artificial Neural Network Performance In Estimating Daily Evaporation In Mountainous Region From Syrian Coast
1351
0 98
0
(
0
)
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
تهدف هذه الدراسة إلى بناء أنموذج رياضي لتقدير التبخر من المنطقة الجبلية من الساحل السوري، باستخدام الشبكة العصبية الصنعيَّة و ذلك اعتماداً على أربعة بارمترات جوية، و هي درجة الحرارة، الرطوبة النسبية، سرعة الرياح و السطوع الشمسي، و من ثم دراسة تأثير إضافة معامل الزمن على تقدير التبخر. بني الأنموذج الرياضي باستخدام Neural Fitting Tool إحدى أدوات الماتلاب، و قد اعتمد على البيانات اليومية للبارامترات المذكورة في منطقة الدراسة بالإضافة إلى معامل الزمن، كما استُخدِمت بيانات التبخر اليومي المقيسة بوساطة حوض التبخر الأميركي صنف A كمخرجات مأمولة لغرض التحقق من صحة أداء الشبكة. و تظهر النتائج تفوق الشبكة المضاف لها معامل الزمن حيث بلغ معامل الارتباط فيها لمجموعة التحقق 0.8919 و متوسط مربع الخطأ 0.02166 بينما كانت قيمة معامل الارتباط للشبكة المستخدمة للتنبؤ بقيمة التبخر اعتماداً على المعطيات المناخية بدون إدخال معامل الزمن 0.8324 و متوسط مربع الخطأ 0.0327.
This study is aiming at building a mathematical model to estimate evaporation from Mountainous region in Syrian Coast, using an artificial neural network, based on four metrological parameters (i.e. temperature, relative humidity, wind speed and sun hours), then studying the effect of adding time variable on evaporation estimation. The mathematical model was built by the (NN-tool box), which is one of the MATLAB tools, using the daily value of the above mentioned parameters in addition to time, as the network inputs and the evaporation measured from the American pan class A as the network output . The results show that ANN4+T model which have 5 inputs (temperature, relative humidity, wind speed, sun hours, time) is the best in estimation evaporation with correlation factor of 0.8919 and Mean square error of 0.02166 for the validation set where the correlation factor in ANN4 (without time) was 0.8324 and MSE of 0.0327for the validation set.
المراجع المستخدمة
Jadeja, V, Artificial neural network estimation of Reference Evapotranspiration from pan evaporation in a semi-arid environment. National Conference on Recent Trends in Engineering & Technology, 13-14 May 2011
Kumar,P. et al, Evaporation Estimation Using Artificial Neural Networks and Adaptive Neuro-Fuzzy Inference System Techniques , Pakistan Journal of Meteorology, Vol. 8, Issue 16: Jan 2012, 81-88
SAMMEN, S. Forecasting of evaporation from Hemeren reservoir by using artificial neural networks. College of Engineering, Diyala University, Iraq. 2012
قيم البحث
اقرأ أيضاً
يشكّل التبخر أحد عناصر الدورة الهيدرولوجية، الذي يصعب قياس كمياته الفعلية في الشروط الحقلية، لذلك يجري تقديره اعتماداً على الحسابات بعلاقات تجريبية تعتمد على بيانات عناصر المناخ. يهدف البحث إلى بناء أنموذج رياضي لتقدير التبخر الشهري في المنطقة السهلي
ة من الساحل السوري، و ذلك باستخدام الشبكات العصبية الصنعيَّة اعتماداً على درجة الحرارة فقط. و إجراء دراسة مقارنة بين نتائج أنموذج الشبكة و نتائج نماذج أخرى معروفة. بُني الأنموذج الرياضي باستخدام NN-tool box إحدى أدوات MATLAB حيث شكلت شبكة عصبية صنعيَّة متعددة الطبقات لخوارزمية الانتشار العكسي للخطأ، و حُددت خوارزمية التعلم الملائمة، و عدد الطبقات الخفية المستخدمة، بالإضافةً إلى عدد العصبونات و نوع دوال التفعيل المستخدمة في كل طبقة.
و قد أظهرت النتائج أن الشبكة العصبية الصنعيَّة ذات الهيكلية (1-9-1) تعطي أقل قيمة لمربع متوسط الخطأ لمجموعة التحقق و يساوي 0.0032، مع استخدام دالتي التفعيل Logsigmoid و Linear على الترتيب في الطبقة الخفية و طبقة الإخراج.
كما طُوِّر أنموذج المحاكاة للنتائج المستحصلة من الشبكة العصبية الصنعيَّة المقترحة مع نماذج أخرى مثل معادلة إيفانوف و ذلك باستخدام تقانة (Simulink). تبين أن الشبكة العصبية الصنعيَّة المعتمدة على درجة الحرارة فقط تعطي نتائج أكثر دقة من معادلة إيفانوف في تقدير التبخر.
تعتبر الأمطار من الظواهر غير الخطية المعقدة، و التي تتطلب النمذجة الرياضية غير الخطية لغرض
التنبؤ بها. هذه الدراسة تقارن أداء التنبؤ بالأمطار ليوم مقدماً، حيث وضعت اثنين من نماذج الشبكات
العصبونية (ذات التغذية الأمامية) للتنبؤ بأمطار يومية متتالية
لثلاثة أشهر (كانون الأول، كانون الثاني،
شباط) و هذه النماذج هي: نموذج الشبكات العصبية الاصطناعية التقليدية (ANN) و نموذج عصبوني
مع تقنية التحويل المويجي وفق (wavelet- neural) طريقتين مختلفتين لبناء النماذج و باستخدام
نوعين من المويجات من عائلة دوبغنز (db2, db5) و من أجل المقارنة بين أداء النماذج في قدرتها
على التنبؤ بالأمطار على المدى القصير (ليوم و يومين و ثلاثة أيام مقدماً) للأشهر الأخيرة من فترة
الدراسة، فقد استخدمت بعض المعايير الإحصائية، التي اشتملت على جذر متوسط مربعات الأخطاء
(RMSE) و معامل الارتباط (R).
تعد دراسة استقرار المنشآت البحرية من المواضيع الهامة جداً و ذلك لأنها تتضمن الأخذ بعين الاعتبار الكثير من البارامترات من أجل الوصول إلى التصميم الهندسي الآمن و الاقتصادي لمثل هذه المنشآت.
تتضمن الدراسة الحالية تقنية شبكة عصبية اصطناعية لتوقع عدد الا
ستقرار للمكاسر الركامية, حيث تم بناء شبكة عصبية اعتماداً على البارامترات المؤثرة على استقرار المكسر, و من ثم استخدمت خوارزمية الانتشار العكسي للخطأ في تدريب الشبكة.
تبين نتيجة الدراسة أن هناك ارتباطاً كبيراً بين القيم المحسوبة من الشبكة و القيم المأمولة (المحسوبة من علاقة van der meer) حيث بلغ معامل الارتباط 0.88.
يتناول هذا البحث موضوع تنمية العنصر البشري فكرياً و مهنياً في الفنادق العاملة في الساحل
السوري و أثره على أداء العاملين في الفنادق المختارة محل البحث.
يشكّل التبخر-نتح أحد عناصر الدورة الهيدرولوجية، الذي يصعب قياس كمياته الفعلية في الشروط الحقلية، لذلك يجري تقديره انطلاقاً من علاقات تجريبية تعتمد على بيانات عناصر المناخ، و تتضمن تلك التقديرات أخطاء متنوّعة بسبب عمليات التقريب. و يهدف البحث إلى تقدي
ر دقيق لكمية التبخر الشهري في منطقة صافيتا, و يعتمد البحث على تقانة الشبكة العصبية الصنعية، حيث بُني الأنموذج الرياضي باستخدام Neural Fitting Tool (nftool) إحدى أدوات الماتلاب، و اعتمد الأنموذج على البيانات الشهرية لدرجة حرارة الهواء و الرطوبة النسبية في محطة صافيتا، كما استُخدِمت بيانات التبخر الشهري من حوض التبخر الأميركي صنف A لغرض التحقق من صحة أداء الشبكة، بعد تحويل الأنموذج إلى شكل قالب جاهز باستخدام تقانة Simulink المتاحة في حزمة برمجيات الماتلاب.
أثبتت نتائج الدراسة أنَّ الشبكة العصبية الصنعيَّة متعددة الطبقات، و ذات الانتشار العكسي للخطأ تعطي نتائج جيدة في تقويم التبخر الشهري، اعتماداً على مجموعة البيانات المستخدَمة.
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
