مقاله

مقایسه شبکه های عصبی دینامیکی و استاتیکی در پیش بینی عملکرد آب شیرین کن خورشیدی سهموی

احمد بناکار، دانشگاه تربیت مدرس علی متولی، دانشگاه علوم کشاورزی و منابع طبیعی ساری مهدی منتظری، دانشگاه تربیت مدرس سید رضا موسوی سیدی، دانشگاه علوم کشاورزی و منابع طبیعی ساری

چکیده

در این پژوهش با بکارگیری مدل های مختلف شبکه عصبی، به بررسی ارتباط میان میزان تولید آب شیرین و دمای بخار آب در اثر شرایط مختلف جوی و چندین دبی آب ورودی در شرایط مختلف روز در یک آب شیرین کن مجهز به متمرکز کننده خطی سهموی خورشیدی پرداخته شد. نتایج نشان داد که شبکه های استاتیک و دینامیک با دقت بالایی می توانند فرآیند های تولید آب شیرین را مدل سازی کنند. شبکه عصبی استاتیک با سرعت بالاتر نسبت به شبکه های دینامیکی می تواند فرآیند مدل سازی را انجام دهد در عین حال به نظر می رسد که میزان خطا در فرآیند مدل سازی با بکارگیری شبکه های دینامیک کاهش می یابد. ضریب تبیین برای الگوهای آموزش، ارزیابی و تست در شبکه استاتیک به ترتیب 0.9898، 0.9899 و 0.9889 می باشد. در حالی که ضریب تبیین برای الگوهای آموزش، ارزیابی و تست در شبکه دینامیک به ترتیب 0.9922، 0.9894 و 0.9901 می باشد. همچنین میزان خطای شبکه در شبکه استاتیک برای الگوهای آموزش، ارزیابی و تست به ترتیب 0.0011، 0.0027 و 0.0024 و برای شبکه های دینامیک به ترتیب 0.0018، 0.0007 و 0.0004 می باشد. مقایسه شبکه های استاتیک و دینامیک نشان داد که شبکه های دینامیک با دقت بیشتری نسبت به شبکه های استاتیک می تواند میزان تولید آب شیرین و دمای بخار آب را با توجه به تغییرات پارامترهای جوی پیش بینی کند.

اسناد مشابه

  • ارزیابی و مقایسه عملکرد مدل رگرسیون خودبازگشتی میانگین متحرک انباشته فازی و شبکه عصبی فازی در پیش¬بینی رشد اقتصادی ایران

    مقاله۲۰۱۴فصلنامه مطالعات اقتصادی کاربردی ایران (علمی - پژوهشی)منصور زراء نژاد، مسعود خداپناه، پویان کیانی، صلاح ابراهیمی

    پیش­بینی براساس مدل­های چندمتغیری اقتصادسنجی با محدودیت­هایی زیادی همراه است، بنابراین یک روش جایگزین استفاده از مدل­های تک متغیری است. اما اکثر روش­های تک­متغیری برای حصول به ­نتیجه خوب نیاز به داده­های زیادی دارند. روش­های رگرسیون فازی به­دلیل فازی در نظر گرفتن اعــداد، برای مد

  • کاربرد شبکه های عصبی مصنوعی در پیش بینی عملکرد محصول کلزا

    مقالهتولید محصولات زراعی و باغیسید جواد سجادی، s. j. sajadi college of agric. and natur. resour., gonbad kavoos univ., golestan, iran.دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس، گنبد کاووس، گلستان حسین صبوری، h. sabouri college of agric. and natur. resour., gonbad kavoos univ., golestan, iran.دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس، گنبد کاووس، گلستان

    پیش بینی عملکرد محصولات کشاورزی نقش مهمی در سیاست گذاری های بخش کشاورزی ایفا می کند. آشکارترین کاربرد پیش بینی عملکرد، تعیین اعتبار لازم توسط دولت جهت خرید محصول و قیمت گذاری آن برای سال آینده می باشد. تحقیقات مربوط به پیش بینی عملکرد محصولات کشاورزی بیشتر بر پایه استفاده از تحلی

  • مقایسه مدل رگرسیون کاکس و شبکه عصبی مصنوعی در پیش بینی بقای بیماران لوسمی حاد

    مقالهفصلنامه پژوهشی خونسعید حسینی تشنیزی، s. hosseini teshnizi دانشگاه علوم پزشکی هرمزگان مهدی تذهیبی، m. tazhibi دانشگاه علوم پزشکی اصفهانسازمان اصلی تایید شده: دانشگاه علوم پزشکی هرمزگان (hormozgan university of medical sciences) مینا توسلی فرحی، m. tavasoli farahi دانشگاه علوم پزشکی هرمزگانسازمان اصلی تایید شده: دانشگاه علوم پزشکی اصفهان (isfahan university of medical sciences)

    چکید ه سابقه و هدف مدل رگرسیون کاکس، یکی از روش‏های رایج تحلیل داده‏های بقا می‏باشد که قبل از به ‏کارگیری آن لازم است فرض متناسب بودن خطرات برقرار باشد. اخیراً مدل‏های شبکه عصبی بدون نیاز به فرض خاص، جایگزینی مناسب در پیش‏بینی بقا می‏باشند. هدف از این مطالعه، مقایسه‏ توانایی مدل

  • عملکرد دو روش arima و شبکه عصبی gmdh در پیش بینی تقاضای گاز طبیعی در بخش های مختلف (ایران-1380-1389)

    مقاله۲۰۱۵فصلنامه مطالعات اقتصادی کاربردی ایران (علمی - پژوهشی)حمید ابریشمی، فرخنده جبل عاملی، معصومه ابوالحسنی، افشین جوان

    باتوجه به افزایش روزافزون مصرف گاز طبیعی، برنامه ریزی در بخش گاز طبیعی و بررسی و پیش بینی تقاضای گاز طبیعی جهت دستیابی به امنیت عرضه انرژی گاز طبیعی و به دنبال آن توسعه پایداراهمیت فراوانی دارد. از این رو در این تحقیق تقاضای گاز طبیعی در بخش های خانگی-تجاری، صنعت و نیروگاه که جزء

  • مقایسه قدرت مدل های شبکه عصبی مصنوعی و شبکه عصبی پویا در پیش بینی نرخ ارز: کاربردی از تبدیل موجک

    مقاله۲۰۱۵آینده پژوهی مدیریترکسانا خشوعی، محمدعلی خطیب سمنانی، منیژه هادی نژاد

    این مطالعه تلاشی است در جهت به­کارگیری ترکیب مدل شبکه­ی عصبی پویا و تجزیه­ی موجک جهت میسر نمودن امکان انتخاب یک الگوی بهینه جهت پیش­بینی متغیر مذکور می­باشد. جهت تحقق این مهم، از داده­های سری­زمانی ماهانه­ی نرخ ارز طی بازه­ی زمانی فروردین 1377 الی آذر 1391، که مشتمل بر 177 مشاهده

  • مقایسه قدرت مدل های شبکه عصبی مصنوعی و شبکه عصبی پویا در پیش بینی نرخ ارز: کاربردی از تبدیل موجک

    مقاله۲۰۱۵آینده پژوهی مدیریتمحمدعلی خطیب سمنانی، منیژه هادی نژاد، رکسانا خشوعی

    این مطالعه تلاشی است در جهت به­کارگیری ترکیب مدل شبکه­ی عصبی پویا و تجزیه­ی موجک جهت میسر نمودن امکان انتخاب یک الگوی بهینه جهت پیش­بینی متغیر مذکور می­باشد. جهت تحقق این مهم، از داده­های سری­زمانی ماهانه­ی نرخ ارز طی بازه­ی زمانی فروردین 1377 الی آذر 1391، که مشتمل بر 177 مشاهده