Academic Positions

  • Instructor2013

    Other

Educations

  • -0001Master of Science

    Agricultural Engineering

    University of Tehran

Executives

Favouriates

Filter by type:

Sort by year:

Development of the FCM-SVR Hybrid Model for Estimating the Suspended Sediment Load

, ,Khaled Ahmadaali,,
south korea , KSCE Journal of Civil Engineering , Year : 2019 , Pages: 2514-2523, ISSN:1226-7988 Journal Paper

Abstract

The accurate estimation of suspended sediment load (SSL) carried by a river is one of the primary issues in river engineering, water resources, and environment projects. Boundary condition and simplification of some important parameters lead to some limitation on the empirical sediment equations which are based on flow and sediment properties. In this study, the potential of a developed Fuzzy C-mean clustering-support vector regression model, as a FCM-SVR hybrid model, was investigated in comparison with sediment rating curve (SRC), artificial neural network (ANN), adaptive neuro-fuzzy inference system (ANFIS), and support vector regression (SVR) models for estimating the daily SSL in Sistan River in Iran. Root mean square error (RMSE), mean absolute error (MAE), determination coefficient (R2), and Nash-Sutcliffe efficiency coefficient (NSE) statistics were utilized to evaluate the accuracy of the models. The result showed that FCM-SVR model estimates SSL (with RMSE, MAE, R2, and NSE equal to 34,415.52 ton/day, 12,256.28 ton/day, 0.922, and 0.918 respectively in testing period) more accurate than other models. The RMSE value, which was 50% lower compared to other models, reveals that this model possesses the lowest error than the other models. Also, the obtained results indicated that the estimated SSLs, using the best FCM-SVR, were in good agreement and linear dependence with observed values. Unlike other models, FCM-SVR model appropriately estimates extreme values of SSL.

پیش بینی تبخیر و تعرق پتانسیل استان کرمان با استفاده از مدل های شبکه عصبی پویا بر مبنای تحلیل مؤلفه های اصلی

حلیمه پیری,سلمان شریف آذری
سومین همایش ملی مدیریت اب در مزرعه ، سال : 2018 مقاله کنفرانسی

چکیده

با توجه به اهمیت تعیین دقیق و به موقع تبخیر و تعرق در محاسبات بیلان آبی، شبیه سازی تولیدات گیاهی و برنامه ریزی های آبیاری از یک سو و نبود داده های مناسب هواشناسی از سوی دیگر، ارائه یک مدل ساده،کم هزینه و دقیق را در ارائه این پارامتر ضروری می نماید. لذا این تحقیق با هدف استفاده از توانمندی سیستم شبکه های عصبی پویا جهت برآورد تبخیر و تعرق پتانسیل نسبت به روش فائو پنمن مانتیث با استفاده از برخی داده های هواشناسی انجام شده است. براین اساس ابتدا با استفاده از روش تجزیهی مولفههای اصلی پارامترهای موثر بر تبخیر و تعرق به مولفههای اصلی تجزیه شدند. سپس با استفاده از میزان تاثیر گذاری پارامترها در دو مولفهی اصلی اول، پارامترهای دارای اهمیت بیشتر به منظور پیش (NARX و IDNN ،MLP) بینی میزان تبخیر و تعرق مشخص شده و در ادامه مدلهای مختلف شبکه عصبی مصنوعی به روی دادهها برازش داده شده و برای هر کدام از ایستگاههای سینوپتیک استان کرمان، بهترین مدل شبکهی عصبی مشخص شد. کارایی مدل های مورد مقایسه با استفاده از آماره های ریشه میانگین مربع خطا، خطای انحراف میانگین، مورد ارزیابی قرار گرفت. نتایج به دست آمده نشان داد (R2/t) و معیار صباغ و همکاران (t) ضریب تعیین و معیار جاکوویدز با مدل فائو پنمن مانتیث تطابق بالایی داشته و به این جهت توانایی لازم برای برآورد تبخیر و تعرق را NARX که مدل دارا می باشد.

  •    Direct Phone: _
  •    Internal Phone: _
  •    Fax: _
  •    Email: s.sharifazari@uoz.ac.ir