| مرور و ارزیابی روشهای تحلیل عدم قطعیت مدلهای هوش مصنوعی در برآورد سیلاب با رویکرد یادگیری عمیق |
| کد مقاله : 1174-IHA (R1) |
| نویسندگان |
|
محمد رسول صداقت راد1، اتابک فیضی *2، حسین علیزاده3 1دانشگاه محقق اردبیلی 2دانشیار گروه مهندسی عمران، دانشکده فنی مهندسی، دانشگاه محقق اردبیلی 3استادیار گروه آب و محیط زیست، دانشکده عمران، دانشگاه علم و صنعت،تهران،ایران |
| چکیده مقاله |
| فراوانی وقوع سیلابهای اخیر در کشور و وارد نمودن خسارات سنگین جانی و اقتصادی، اهمیت برآورد دقیق سیلابها جهت مدیریت و مهار آنها را بیش از پیش آشکار ساخته است. مدلهای یادگیری عمیق از روشهای موثر هوش مصنوعی در پیشبینی سیلاب هستند اما بعلت ماهیت پیچیده سیلابها، خطاهای احتمالی دادهها و ساختار مدل، اعتبار نتایج آنها همواره بایستی با در نظرگرفتن منابع عدم قطعیت ارزیابی شود. هدف تحقیق حاضر، مروری بر مفاهیم عدم قطعیت، منابع آن در پیشبینی سیلاب و مدلهای یادگیری عمیق، ارزیابی روشهای به کمیت درآوردن عدم قطعیت و مقایسه عملکرد این مدلها نسبت به سایر روشهای سنتی هوش مصنوعی و یادگیری ماشین است که بدین منظور، مدلهای CNN، LSTM، GRU، روشهای تحلیل عدم قطعیت MCMC، GLUE، SCEM-UA، DREAM-ZS، مزایا و محدودیتهای هریک و شاخصهای ارزیابی آنها معرفی شده است. براساس نتایج برخی پژوهشها و با توجه به معیار ارزیابی NSE که برای مدلهای یادگیری عمیق در بازه 85/0 تا 98/0 و برای سایر مدلهای هوش مصنوعی در بازه 59/0 تا 94/0 بوده است و همچنین برتری مدل LSTM با معیار 7%/21=NRMSE نسبت به مدل SVM با % 6/56=NRMSE مشخص گردید که در کل، مدلهای یادگیری عمیق از دقت بالاتری نسبت به مدلهای سنتی یادگیری ماشین برخوردارند. همچنین نتایج شاخصهای ارزیابی تحلیل عدم قطعیت (P-factor در بازه 6%/61 تا %0/97، r-factor در بازه 47/0 تا 8/0 و TUIهای 22/1 و 53/1) بیانگر پوشش مناسب محدوده اطمینان مدلهای یادگیری عمیق میباشد و روشهای مونت کارلو نسبت به روش GLUE نتایج بهتری ارائه نمودهاند. |
| کلیدواژه ها |
| سیلاب، هوش مصنوعی، یادگیری عمیق، عدم قطعیت |
| وضعیت: پذیرفته شده برای ارائه شفاهی |
