fuzzy inference system
در نشریات گروه مهندسی آب-
یکی از عواملی که پایداری منابع زیرزمینی کشور را تهدید می کند، برداشت غیرمجاز از آبخوان ها است که به طور عمده توسط کشاورزان انجام می پذیرد. یکی از راهکارهای مقابله با این پدیده وضع سیاست جریمه توسط مراجع ذی صلاح است. از آنجا که کشاورزان تحت شرایط خاص اجتماعی، اقتصادی و کشاورزی منطقه اقدام به اضافه برداشت می نمایند، سنجش بازخورد الگوهای جریمه بر پایه یک شبیه سازی اجتماعی- اقتصادی الزامی است. این تحقیق با ارایه یک چارچوب عامل بنیان به بررسی وضعیت سه عامل کشاورزی، زیست محیطی و تنظیم کننده در محیط کشاورزی پرداخته است. در این تحقیق رفتار بخش کشاورزی در دو لایه یکی کشاورزان به عنوان زیرعامل های کشاورزی در راستای بیشینه کردن سود فردی تحت قیود فیزیکی و رفتاری که به کمک سیستم استنتاج فازی و برنامه ریزی ریاضی شبیه سازی شده و دیگری شبکه اجتماعی کشاورزان به عنوان گروه عامل های کشاورزی در راستای بیشینه نمودن سودبخش کشاورزی تحت قیود مطلوبیت های فردی با تلفیق الگوریتم ژنتیک مرتب سازی نامغلوب (NSGA-II) و روش شمارش بردا، مدل سازی شده است. چارچوب ارایه شده در واحد هیدرولوژیکی نجف آباد اصفهان به کار رفت. نتایج نشان داد که سطح آبنمود واحد آبخوان در حالتی که جریمه 2، 3 و 4 هزار ریالی به ازای هر متر مکعب اضافه برداشت توسط عامل تنظیم کننده وضع شد، به ترتیب 82/21، 18/17 و 54/10 متر از حالتی که به کشاورزان اجازه اضافه برداشت داده نشده بود پایین تر قرار گرفت.
کلید واژگان: مدل سازی عامل بنیان، سیستم استنتاج فازی، اعمال الگوی جریمه، اضافه برداشت، روش شمارش برداOne way to deal with this phenomenon is to impose a fine policy by the competent authorities. Since farmers are over-exploitation under specific socio-economic and agricultural conditions, evaluation of the effects of penalty patterns based on a socio-economic simulation is required. This research has provided an agent based simulation framework to study the status of three agricultural, environmental and regulator agent in agricultural environment. In this research, agricultural sector behavior has been modeled in two layers, one is agricultural sub-factors in order to maximize individual profit under physical and behavioral constraints by using fuzzy inference system and mathematical programming, and other is the group-agricultural agents in order to maximize agricultural profitability under the constraints of individual preferences by combining non-dominated sorting genetic algorithm (NSGA-II) and social chose method. The proposed framework was applied to the Najafabad hydrological unit in Isfahan. The results showed that the level of unit hydrograph’s aquifer was drawdown 21.82, 17.18 and 10.5, respectively, while the fines of 2, 3, and 4 thousand Rials per cubic meter were imposed by regulator agent.
Keywords: Agent Based Modeling, Fuzzy inference system, Imposing Penalty Pattern, Over-exploitation, Borda Count Method -
مدل سازی پارامترهای کیفی آب های زیرزمینی به عنوان یکی از منابع تامین آب شهری، کشاورزی و صنعتی بسیار حائز اهمیت است. همراه با توسعه استفاده از روش های نوین مدل سازی در سال های اخیر، استفاده از ابزارهای پیش پردازش زمانی و مکانی داده ها در بالا بردن دقت این روش ها اهمیت زیادی یافته است. در پژوهش حاضر از ابزارهای زمین آمار یا کوکریجینگ و نقشه های خود سازمانده به ترتیب به عنوان تخمین گر مکانی و خوشه بندی در ترکیب با مدل شبکه عصبی- فازی انفیس برای پیش بینی زمانی پارامترهای کیفی هدایت الکتریکی و مقدار کل جامدات محلول در آب زیرزمینی دشت اردبیل استفاده شد. همچنین در این مطالعه، اثر خوشه بندی مکانی در پیش بینی زمانی هدایت الکتریکی و مقدار کل جامدات محلول بررسی شد. نتایج نشان داد که خوشه بندی مکانی با انتخاب ورودی های موثر، روش مناسبی در جهت بهبود پیش بینی پارامترهای کیفی آب زیرزمینی با استفاده از مدل انفیس است.کلید واژگان: ابزارهای زمین آمار، شبکه عصبی، فازی، پارامترهای کیفی آب زیرزمینی، روش خوشه بندی، دشت اردبیلGroundwater is a major source of water supply for domestic, agricultural, and industrial uses; hence, its quality modeling is an important task in hydro-environmental studies. While many data-based models have been developed for this purpose, the performance of such data-based models can be drastically enhanced if they are based on temporal and spatial pre-processing. In this study, geostatistics tools (e.g., Co-Kriging), as spatial estimators, and self-organizing map (SOM), as a clustering technique, were employed in conjunction with Adaptive Neuro-Fuzzy Inference System (ANFIS) for the temporal forecasting of such quality parameters as electrical conductivity (EC) and total dissolved solids (TDS) of the groundwater in Ardabil Plain. Using the results thus obtained, the impact of spatial data clustering was also investigated on the same parameters. The results showed that, if propoer input data are selected, the proposed spatial clustering technique is capable of imporving groundwater quality forecasts made by ANFIS.Keywords: Geostatistics, Adaptive neuro, fuzzy inference system, Groundwater Quality Parameters, Clustering Method, Ardabil Plain
-
مجله آب و فاضلاب، پیاپی 88 (زمستان 1392)، صص 90 -102خشکسالی نتیجه اندرکنش بین محیط زیست و چرخه آب در طبیعت است که تهدیدی مخاطره آمیز برای محیط زیست و حیات گونه های زیستی محسوب می شود. لذا یافتن نمایه های اندازه گیری خشکسالی برای پیش بینی و ارزیابی مکانی و زمانی این پدیده به منظور مدیریت بحران آن ضرروی و حیاتی به نظر می رسد. در این مقاله ابتدا به بیان مفهوم خشکسالی و مقایسه نمایه های اندازه گیری آن پرداخته شد و سپس از مبانی شبکه های عصبی- فازی به همراه آنالیز خوشه بندی برای پیش بینی خشکسالی با نمایه بارش استاندارد استفاده شد. نتایجی حاکی از آن است که نمایه SPI قابلیت بیشتری در پیش بینی نسبت به نمایه هایی چون پالمر، پالفی و دیگر نمایه ها دارد و از سویی راهبرد شبکه عصبی- فازی تطبیقی بر مبنای روش خوشه بندی C-mean در امر مدل سازی برای پیش بینی خشکسالی از کارایی بالایی برخودار است.
کلید واژگان: خشکسالی، نمایه SPI، شبکه های عصبی، فازی تطبیقی، C، mean، لیقوان چایDrought is the interaction between environment and water cycle in the world and affects natural environment of an area when it persists for a longer period. So، developing a suitable index to forecast the spatial and temporal distribution of drought plays an important role in the planning and management of natural resources and water resource systems. In this article، firstly، the drought concept and drought indexes were introduced and then the fuzzy neural networks and fuzzy C-mean clustering were applied to forecast drought via standardized precipitation index (SPI). The results of this research indicate that the SPI index is more capable than the other indexes such as PDSI (Palmer Drought Severity Index)، PAI (Palfai Aridity Index) and etc. in drought forecasting process. Moreover، application of adaptive nero-fuzzy network accomplished by C-mean clustering has high efficiency in the drought forecasting.Keywords: Drought, SPI, Adaptive Neuro, Fuzzy Inference System, C, mean, Lighvanchai -
تخمین ضریب اصطکاک در لوله ها در بسیاری از مسائل مهندسی آب و فاضلاب، مانند توزیع سرعت و تنش برشی، فرسایش، انتقال رسوب و افت هد، اهمیت ویژه ای دارد. در تحلیل این گونه مسائل با دانستن ضریب اصطکاک، می توان تخمین دقیق تری از آنها به دست آورد. در این تحقیق به منظور تخمین ضریب اصطکاک در لوله ها با استفاده از سیستم تطبیقی استنتاج فازی- عصبی، روش افراز شبکه ای مورد استفاده قرار گرفت. برای آموزش و تست مدل فازی- عصبی از داده های به دست آمده از معادله کلبروک استفاده گردید. در روش فازی- عصبی، زبری نسبی لوله و عدد رینولدز، متغیرهای ورودی و ضریب اصطکاک متغیر خروجی در نظر گرفته می شود. عملکرد مدل ارائه شده با استفاده از داده های برداشت شده از معادله کلبروک و بر مبنای شاخصهای آماری ضریب تعیین، جذر میانگین مجذورات خطا و میانگین خطای مطلق ارزیابی گردیدند. مقایسه نتایج نشان داد که مدل سیستم تطبیقی استنتاج فازی-عصبی با روش گسسته سازی شبکه ای و تابع عضویت ورودی گوسین و خروجی خطی، ضریب اصطکاک را با دقت بیشتری نسبت به دیگر حالات برآورد می نماید. رهیافت جدید ارائه شده در این تحقیق قابلیت کاربرد در مسائل طراحی کاربردی و نیز قابلیت اتصال و ترکیب با مدل های ریاضی و عددی انتقال رسوب و به هنگام سازی نتایج آنها را در شرایط واقعی دارد.
کلید واژگان: ضریب اصطکاک، سیستم تطبیقی استنتاج فازی عصبی، معادله کلبروک، زبری نسبی لوله، عدد رینولدزEstimation of the friction coefficient in pipes is very important in many water and wastewater engineering issues, such as distribution of velocity and shear stress, erosion, sediment transport and head loss. In analyzing these problems, knowing the friction coefficient, can obtain estimates that are more accurate. In this study in order to estimate the friction coefficient in pipes, using adaptive neuro-fuzzy inference systems (ANFIS), grid partition method was used. For training and testing of neuro-fuzzy model, the data derived from the Colebrook’s equation was used. In the neuro-fuzzy approach, pipe relative roughness and Reynolds number are considered as input variables and friction coefficient as output variable is considered. Performance of the proposed approach was evaluated by using of the data obtained from the Colebrook’s equation and based on statistical indicators such as coefficient determination (R2), root mean squared error (RMSE) and mean absolute error (MAE). The results showed that the adaptive nerou-fuzzy inference system with grid partition method and gauss model as an input membership function and linear as an output function could estimate friction coefficient more accurately than other conditions. The new proposed approach in this paper has capability of application in the practical design issues and can be combined with mathematical and numerical models of sediment transfer or real-time updating of these models.Keywords: Friction Coefficient, Adaptive Neuro, Fuzzy Inference System, Colebrook's Equation, Pipe Relative Roughness, Reynolds -
مجله آب و فاضلاب، پیاپی 85 (بهار 1392)، صص 112 -124هدف از این مطالعه پیش بینی رواناب به صورت مکانی با استفاده از اطلاعات ایستگاه های هیدرومتری و هواشناسی بود. بررسی ها نشان می دهد که معمولا ارتباطات مشخصی بین داده های هواشناسی و هیدرومتری بالادست حوضه با میزان رواناب تولیدی در خروجی حوضه وجود دارد و چنانچه بتوان قوانین نهفته در سابقه تاریخی داده های ثبت شده در این ایستگاه ها را استخراج نمود، می توان به آسانی بر پایه اطلاعات اندازه گیری شده به پیش بینی میزان رواناب پرداخت. بر این اساس از بین ابزارهای موجود، تئوری فازی می تواند با انعطاف پذیری خود در تدوین قوانین فازی، دانش نهفته در داده های مشاهده ای را به نحوه مطلوبی به منظور پیش بینی پارامترها در زمان واقعی ارائه نماید. لذا در این تحقیق سیستم استنتاج فازی به منظور برآورد میزان رواناب در ایستگاهی واقع در پایین دست رودخانه طالقان رود با استفاده از آمار ایستگاه های باران سنجی و هیدرومتری بالادست رودخانه به کار گرفته شد. اجرای سیستم فازی معمولی نشان دهنده عدم کارایی مناسب این ابزار در ارائه مقادیر صحیح پیش بینی است که علت آن را می توان در نامناسب بودن مقادیر بازه ای مرتبط با توابع عضویت هر یک از پارامترهای موثر در فرایند مدل سازی جستجو نمود. با توجه به زمان بر بودن ساخت تابع عضویت متناسب با هر یک از پارامترها به دلیل تعدد حالات مختلف توابع عضویت، اقدام به استفاده ترکیبی از الگوریتم بهینه سازی مبتنی بر هوش جمعی به منظور تسریع و بهبود وضعیت مدل سازی گردید. با اجرای مدل ترکیبی، مقادیر بهینه مرتبط با هر یک از توابع عضویت متغیرهای وابسته و مستقل، استخراج شده و بر پایه آن و با استفاده از سیستم فازی اقدام به پیش بینی رواناب در ایستگاه پایین دست رودخانه گردید. نتایج نشان دهنده دقت بالای استفاده از روش ترکیبی پیشنهادی در مقایسه با روش های کاربرد منفرد استنتاج فازی است به طوری که با استفاده از این مدل پیشنهادی می توان میزان دقیق تری از رواناب را برای شرایط آینده برآورد نمود.
کلید واژگان: سیستم استنتاج فازی، بهینه سازی، الگوریتم مبتنی بر هوش جمعی، رواناب، رودخانه طالقانThe aim of this study is the spatial prediction runoff using hydrometric and meteorological stations data. The research shows that usually there is a certain communication between the meteorological and hydrometric data of upstream basin and runoff rates in output basin. So, if can be extracted the rules related to historical data that recorded at stations, can be easily predicted runoff amount based on data measured. Accordingly, among the tools available, the fuzzy theory (with flexibility in developing fuzzy rules) can be provide the knowledge lies in the observed data to parameters prediction in real time. So, in this research the fuzzy inference system has been used for estimating runoff rates at stations located in the Taleghan river downstream using rain gage stations and hydrometric stations upstream. Because the inappropriate values associated with membership functions, the fuzzy system model can not provide correct value for the prediction. In this study, a combination of intelligence-based optimization algorithm and fuzzy theory developed to accelerate and improve modeling. The result of proposed model, optimum values to each membership function that related to dependent and independent variable extracted and based on it’s the runoff rates in rivers downstream predicted. The results of this study were shown that the high accuracy of proposed model compared with fuzzy inference system. Also based on proposed model can be more accurately the rate of runoff estimated for future conditions.Keywords: Fuzzy Inference System, Optimization, Particle Swarm Optimization, Runoff, Taleghan River -
یکی از روش های نو ظهور در حل مسایل مهندسی جهت مدل سازی سیستم هایی که دارای پیجیدگی زیاد یا عدم صراحت بوده و یا داده های کافی از آنها موجود نیست، استفاده از تئوری مجموعه های فازی از جمله سیستم می-باشد. مزیت اصلی این تکنیک نسبت به استنتاج فازی روش های رایج، این است که این سیستم بر اساس قواعد اگر- آن گاه بنا نهاده شده است و قادر به تعیین ارتباط بین متغیرهای ورودی و خروجی با استفاده از قواعد مزبور می باشد. در تحقیق حاضر نیز، با استفاده از سیستم استنتاج فازی و بر اساس دبی، درجه حرارت و بارش ماهانه، سری پیوسته ای از دبی جریان رودخانه و هر یک از متغیرهای مذکور تشکیل و تاثیر هریک از متغیرهای فوق در توالی های زمانی گذشته بر روی میزان دبی جریان رودخانه در ماه های آینده بررسی شد و میزان دبی رودخانه در ماه های آینده پیش بینی شد.
کلید واژگان: پیش بینی، عدم، صراحت، جریان رودخانه، سیستم استنتاج فازیThe Fuzzy Sets Theory has recently been widely and successfully used in engineering problems with complexity, ambiguity, or lack of enough data. The Fuzzy Inference System (FIS) is among these techniques. The main advantage of this technique over traditional methods is that it works based on IF-THEN rules and appoints the relation between input and output variables accordingly. In this study the monthly discharge, temperature, and rainfall are used in the Fuzzy Inference System context as continuous series in order to forecast the river flow discharge for the next months. The effect of each variable in previous time step is determined on the flow discharge in the upcoming month and the best combination and suitable lag time is obtained.
Keywords: Forecasting, Ambiguity, River flow, Fuzzy Inference System -
مدل های مفهومی بر مبنای هوش مصنوعی، اغلب برای پیش بینی های کوتاه مدت و میان مدت هیدرولوژیکی به کار رفته اند. در این مقاله با استفاده از مفهوم تولید مجموعه ای از پیش بینی ها (ESP) و تفکیک مدل سازی برای متغیرهای اقلیمی و هیدرولوژیکی، از مدل های مفهومی برای پیش بینی بلند مدت حجم جریان رودخانه زاینده رود در محل ورودی به سد زاینده رود استفاده می شود. سیستم استنتاج فازی برای پیش بینی بارش فصلی به صورت عدد فازی و شبکه های عصبی مصنوعی برای شبیه سازی تبدیل اطلاعات هیدروکلیماتولوژیکی به جریان رودخانه مورد استفاده قرار می گیرند. فصل بندی بارش و جریان ماهانه، واسنجی مدل های اقلیمی و هیدرولوژیکی و استفاده از الگوریتم توقف آموزش در شبکه های عصبی، دقت پیش بینی مدل ها را در این تحقیق افزایش داده است. علاوه بر بررسی دقت رویکرد پیش بینی جریان در فصول مختلف، نتایج این مدل با یک مدل پیش بینی ماهانه بر مبنای شبکه های عصبی که با استفاده از اطلاعات مشاهده شده، جریان ماهانه را پیش بینی می کند، مقایسه می گردد. نتایج این تحقیق نشان می دهد که رویکرد ارایه شده علاوه بر دقت قابل قبول در پیش بینی نقطه ای و بلند مدت جریان، امکان پیش بینی به صورت مجموعه ای از جریان های ممکن را نیز فراهم می آورد که در برنامه ریزی و مدیریت منابع آب با در نظر گرفتن عدم قطعیت پیش بینی ها، حائز اهمیت است.
کلید واژگان: پیش بینی بلند مدت، مدل های هیدورلوژیک، پیش بینی بارندگی، شبکه عصبی مصنوعی، سیستم استنتاج فازیConceptual models have been often used in short- or mid-term hydrologic forecasting. In this paper a framework for combining two conceptual climatic and hydrologic models is used in order to generate long-lead Ensemble Streamflow Prediction (ESP) of streamflow to Zayandeh-rud reservoir. In the proposed approach, two models based on a Fuzzy Inference System (FIS) for seasonal rainfall forecasts and Artificial Neural Networks (ANNs) for mapping hydroclimatic variables to streamflow data are used. Illusions such as clustering of rainfall and streamflow data, a proper calibration procedure as well as using a stopped training approach in ANN calibration, improve the accuracy of the forecasts. The results of the proposed approach are assessed by various criteria. Further, the results are compared with an ANN-based streamflow forecast, which uses the observed hydroclimatic data in monthly streamflow forecasting. The results show that using the proposed approach has the advantage of generating proper long-lead point and ensemble forecasts, which could be potentially used to reflect the uncertainty of future available water resources.Keywords: Long, lead forecasting, Hydrologic models, Rainfall forecasting, Artificial Neural Network, Fuzzy inference system
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.