تحلیل داده های بزرگ با کمک یادگیری ماشین برای مدیریت حوادث غیر مترقبه (سیل پلدختر) [پايان نامه فارسي]
سیده سمانه حسینی
| شناسگر رکورد: | ۱۶۲۷۹ |
| رشته تحصیلی: | هوش مصنوعی و رباتیکز |
| عنوان: | تحلیل داده های بزرگ با کمک یادگیری ماشین برای مدیریت حوادث غیر مترقبه (سیل پلدختر) |
| نويسنده: | سیده سمانه حسینی |
| استاد راهنما : | دکتر محمدتقی منظوری شلمانی |
| استاد مشاور: | دکتر بابک مجیدی |
| مقطع تحصیلی : | کارشناسی ارشد |
| دانشگاه : | خاتم |
| تاریخ دفاع : | ۱۴۰۱ |
| ۱۳۹۹ | |
| چکیده: | توسعه و مطالعه طرحهای آبی، کشاورزی و صنعتی نیازمند اطلاع دقیقی از کیفیت و میزان آبدهی منابع آب موجود در هر منطقه است. رودخانهها بهعنوان یکی از مهمترین منابع تأمین آب همیشه موردتوجه طراحان پروژههای عمرانی قرارگرفتهاند. معمولا سازمانهای آب منطقهای با ایجاد ایستگاههای آبسنجی در فواصل زمانی مختلف اقدام به اندازهگیری میزان و کیفیت جریان عبوری در رودخانهها مینمایند. کیفیت و دبی رودخانه از مهمترین متغیرهای هیدرولوژیکی حوضههای آبریز هستند که از تغییرات مکانی و زمانی برخوردار هستند. عوامل زیادی در کیفیت و میزان دبی رودخانهها ازجمله ساختار زمینشناسی حوضه، میزان بارش، رطوبت هوا، فیزیوگرافی حوضه آبریز، مشخصات توپوگرافی و... مؤثر هستند. کیفیت و میزان دبی جریان رودخانهها ازجمله پارامترهای اساسی مطالعات امکانسنجی تعیین نوع صنعت، تعیین میزان سطح و الگوی کشت مناسب در منطقه هستند. تعیین و پیشبینی میزان دبی در جریان عبوری در رودخانهها در تعیین ابعاد سازههای هیدرولیکی مورداستفاده در توسعه طرحهای منابع آب بسیار حائز اهمیت است. امروزه تلاش در جهت ارتقاء مدیریت حوادث غیرمترقبه لازم و ضروری به نظر میرسد. مطالعه درباره مدیریت حوادث غیرمترقبه، پیشبینی و تأکید بر برنامهریزی قبل از بروز بحران در کاهش زیانهای بعد از بروز حوادث مؤثر است. بلایا به دلیل آبگرفتگی سیل در مقیاس زیاد بهویژه در دو دهه اخیر افزایش پیداکرده است. گر چه رخدادهای سیلاب بهصورت محلی اتفاق میافتد، نیاز رو به فزونی برای افزایش قابلیت پیشبینی آبگرفتگی در مقیاسهای بزرگ تا جهانی وجود دارد. امروزه روشهای متعددی برای پیشبینی میزان دبی و کیفیت آب رودخانهها پیشنهادشده است که شبکههای عصبی ازجمله دقیقترین آنها هستند. در این تحقیق به پیشبینی شاخصهای کیفی و کم ی جریان رودخانه با استفاده از شبکه عصبی MLP و RBF بهعنوان زیرمجموعههای روشهای یادگیری ماشین پرداخته میشود. دادههای بزرگ برای قسمت آموزش الگوریتم یادگیری ماشین اطلاعات ورودی ۵۰ سال اخیر ثبتشده در ایستگاههای رودخانه از سال ۱۳۴۸ تا سال ۱۳۹۷ هستند که ۹ پارامتر میباشند شاخصهای کیفی و کم ی موردبحث و مدلسازی قرار میگیرند. |
| واژگان کلیدی: | مهندسی کامپیوتر |
| هوش مصنوعی و رباتیک | |
| داده بزرگ | |
| یادگیری ماشین | |
| حوادث غیر مترقبه | |
| بحران |
| شماره ثبت | جزء | نسخه | جلد | بخش | قسمت | مرجع | شماره بازیابی | در دست امانت | تاریخ بازگشت | ملاحظات | |
|---|---|---|---|---|---|---|---|---|---|---|---|
| 22536 | 1 |
جهت ثبت نظر با حساب کاربری تان وارد شوید