عنوان پایان‌نامه
ارزیابی پیشبینی هدایت هیدرولیکی اشباع با استفاده ازمدل هیبریدی الگوریتم ژنتیک و ماشین بردار پشتیبان
- رشته تحصیلی
- مهندسی‌کشاورزی-آبیاری و زهکشی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 66212;کتابخانه پردیس ابوریحان شماره ثبت: 837
- تاریخ دفاع
- ۳۱ شهریور ۱۳۹۳
- دانشجو
- معصومه مهماندوست
- استاد راهنما
- محمود مشعل, جابر سلطانی
- چکیده
- هدایت هیدرولیکی اشباع یکی از مهمترین مشخصات هیدرولیکی موثر بر روی فرآیندهای خاک می¬باشد. این پارامتر در کنترل فرآیندهای هیدرولوژیکی جریان زیرزمینی نقش اساسی دارد. چاهک¬های پوشش¬دار فیلیپ و رینولدز از جمله روش¬های اندازه¬گیری هدایت هیدرولیکی اشباع در بالای سطح ایستابی می¬باشند. ماشین بردار پشتیبان (SVM) یکی از روش‌های یادگیری با ناظر است که از آن برای طبقه‌بندی و رگرسیون استفاده می‌شود. این روش از جمله روش‌های نسبتاً جدیدی است که کارایی خوبی نسبت به روش‌های قدیمی‌تر برای طبقه‌بندی از جمله شبکه‌های عصبی پرسپترون نشان داده است. الگوریتم ژنتیک (GA) نیز یک تکنیک برنامه‌نویسی است که از تکامل ژنتیکی برای یافتن راه حل تقریبی برای بهینه‌سازی و مسائل جستجو استفاده می‌کند. در این تحقیق برای اولین بار، جهت پیش¬بینی هدایت هیدرولیکی اشباع خاک مزرعه، یک مدل تلفیقی شبیه‌سازی-بهینه‌سازی(SVR-GA) تدوین و ارائه می‌شود. این مدل به عنوان یک جایگزین برای روش حل عددی با هدف کاهش بار محاسباتی مورد ارزیابی قرار خواهد گرفت. برای این منظور، از داده¬های 27 چاهک با پوشش دیواره لوله‌ای پلاستیکی (PVC) که با سه قطر چهار، شش و هشت سانتی¬متر در طول‌های متفاوت و در سه تکرار برای سه نوع جریان افقی، افقی-عمودی و عمودی حفر گردیده، استفاده گردید. ورودی¬های مدل شامل متغیرهای متعلق به معادله رینولدز بوده و هدایت هیدرولیکی اشباع محاسبه شده توسط معادله رینولدز نیز به عنوان خروجی مدل تعریف گردید. پس از آماده سازی داده¬ها و تدوین مدل ماشین بردار پشتیبان رگرسیونی و مدل تلفیقی الگوریتم ژنتیک و ماشین بردار پشتیبان رگرسیونی و با منظور کردن 70% داده¬ها به عنوان داده¬های آموزشی، 20% به عنوان داده¬های آزمون و 10% به عنوان صحت¬سنجی به اجرای مدل¬ها پرداخته شد. در SVR از تابع کرنل شعاعی و تابع¬های زیان اپسیلون و درجه-دوم استفاده گردید. در تدوین مدل GA تعداد جمعیت اولیه انتخابی 20، نوع ترکیب تک نقطه¬ای، نرخ انتخاب 5/0 ، نرخ جهش 25/0 و تعداد تکرار 300 لحاظ گردید. جهت سنجش نتایج از سه پارامتر آماری R2 ، RMSE و NRMSE استفاده شد. در مدل SVR-GA در هر سه نوع جریان، ضریب تبیین بالاتر از 97/0 و جذر میانگین مربعات خطا و میانگین مطلق خطا کمتر از 1/0 بوده که دقت بالای مدل را نشان می¬دهد. همچنین برتری مدل هیبریدی بر مدل SVR محرز بود. نتایج نشان داد مدل با تابع زیان اپسیلون دارای دقت بالاتری نسبت به مدل با تابع درجه¬دوم می¬باشد اما از نظر زمان اجرا، تابع زیان درجه دوم نسبت به تابع زیان اپسیلون برتری دارد. بنابراین مدل هیبریدی SVR-GA به عنوان یک مدل جایگزین روش حل عددی رینولدز بسیار مناسب است. کلمات کلیدی: هدایت هیدرولیکی اشباع، الگوریتم ژنتیک، ماشین بردار پشتیبان، تابع زیان
- Abstract
- One of the most effective hydraulic properties on soil processes is saturated hydraulic conductivity. This parameter is essential in hydrological processes controlling of groundwater flow. Philip and Reynolds cased borehole is one of the methods for measuring saturated hydraulic conductivity above the water table. Support Vector Machine (SVM) is a supervised learning methods for classification and regression which is used. It is a relatively new method that has shown good performance compared to previous approaches for classification such as neural networks. Genetic Algorithm (GA) is a programming techniques that using evolutionary genetic for finding approximate solutions to optimization and search problems. This study is aimed to predict the hydraulic conductivity of saturated soil with using a hybrid simulation-optimization model (SVR-GA) that developed and presented. This model were evaluated as a numerical solution alternative model to reduce the computational burden. For this purpose, data from 27 borehole cased with PVC pipe that were dug in three of diameter with four, six and eight centimeters in different lengths and in three replications for three types of horizontal, vertical-horizontal and vertical flow was used. Model inputs are included variables related to the Reynolds equation and saturated hydraulic conductivity calculated by the Reynolds equation was defined as the outgoing model. After more data preparation and coding for support vector machine regression model and the hybrid model of genetic algorithm and support vector machine regression, 70% of the data were obtained as a train data, 20% as test data and 10% of the data for model validation. Radius kernel function and epsilon and quadratic loss functions was used in SVR. Initial population 20, type of combination single-point, selection rate 0.5, mutation rate 0.25 and number of iterations 300 were chosen in compiling the GA. The three statistical parameters R2, RMSE and NRMSE was used to assess the results. In the SVR-GA model for all three types of flow, coefficient was greater than 0.97 and root mean square error and mean absolute error was less than 0.1 that shows high accuracy for model. The hybrid model is superior to the SVR model were determined. The results show that the model with loss function of epsilon has higher accuracy than the model with loss function of quadratic. But in terms of runtime, the quadratic loss function is superior to the loss function of epsilon. The SVR-GA hybrid model as an alternative model for the numerical solution of the Reynolds is very convenient. Keywords: Saturated hydraulic conductivity, Genetic algorithms, Support vector machine, Loss function
