چکیده مقاله
در روش پیشنهادی از یکی از روشهای یادگیری ماشین به نام جنگل تصادفی RF و دو الگوریتم روشهای یادگیری عمیق به نام شبکه عصبی واحد بازگشتی گیتی GRU و شبکه عصبی حافظه کوتاه مدت طولانی LSTM استفاده شده است تا میزان تقاضای آب روزانه شهری تخمین زده شود بدین منظور از داده های تاریخی تقاضای آب روزانه سالهای شمسی ۱۴۰۰ تا ۱۴۰۲ در شبکه توزیع آب شهری نجف آباد، اصفهان استفاده شده است نوآوری روش پیشنهادی در آن است که برای آموزش شبکه های عصبی تنها از ویژگی های معمول اقلیمی مانند حداکثر دمای روزانه استفاده نشده است، بلکه با پیشنهاد ویژگی های روز در هفته، سال و تداوم تعطیلی برای داده های تاریخی ورودی شبکه های عصبی، دقت نتایج پیش بینی به طور قابل ملاحظه ای افزایش یافته است این ویژگی ها به دلیل آنکه منعکس کننده تقاضای آب مشترکین در روزها و مناسبات مختلف تقویم شمسی می باشد، بنابراین به نوعی تاثیر مناسبات و اتفاقات اجتماعی و فرهنگی در میزان تقاضای آب روزانه شهری در نظر گرفته شده است مقایسه نتایج نشان داد با اعمال ویژگی های پیشنهادی، مقدار معیارهای آماری R و PCC به ترتیب تا ۱۶ و ۷/۶% افزایش و مقدار معیارهای خطای MSE، MAE، MAPE و RMSE به ترتیب تا ۵۱ ۸%، ۵۳ ۲%، ۷۲ ۱% و ۵۰ ۴% کاهش یافتند
کلیدواژه‌ها
نویسندگان
سید پدرام جزائری فارسانی
فارغ التحصیل دکتری مهندسی عمران مهندسی و مدیریت منابع آب، دانشکده مهندسی عمران و حمل و نقل دانشگاه اصفهان، اصفهان، ایران
حمیدرضا صفوی
استاد دانشکده مهندسی عمران، دانشگاه صنعتی اصفهان، اصفهان، ایران
شیوه ارجاع
�زائری فارسانی، سید پدرام و صفوی، حمیدرضا،1404،پیش بینی تقاضای روزانه آب شهری براساس تقویم شمسی با استفاده از یادگیری ماشین و یادگیری عمیق (مطالعه موردی: نجف آباد)،چهاردهمین کنگره بین المللی مهندسی عمران،تهران
ارائه‌شده در
مجموعه مقالات چهاردهمین کنگره بین المللی مهندسی عمران29 مهر 1404 · تهران