ارائه کننده: سحر مصطفائی یونجالی

استاد راهنما: دکتر وحید موسوی

استاد مشاور: دکتر رونی برندسون

استاد ناظر داخلی: دکتر مهدی وفاخواه

استاد ناظر خارجی: دکتر هیراد عبقری

نماینده تحصیلات تکمیلی: دکتر سیدحمیدرضا صادقی

تاریخ: 1402/11/14

ساعت: 12:30
مکان: سالن اصلی کاخ

 

پرداختن به بحث کمبود آب برای توسعه پایدار از اهمیت بالایی برخوردار است که نیازمند مدل‌های پیش‌بینی دقیق برای مدیریت مؤثر منابع آب می باشد. این پایان نامه بر بهبود دقت و کارایی چنین مدل هایی از طریق روش های مختلف تمرکز دارد. این مطالعه با ارزیابی عملکرد مدل یادگیری عمیق LSTM و مقایسه آن با مدل‌های ساده‌تر مبتنی بر داده MLP و GMDH و یک مدل فیزیک پایه (HEC-HMS) آغاز شد. علاوه بر این، تاثیر دو تکنیک پردازش سیگنال قوی تبدیل موجک (WT) و تجزیه حالت متغیر (VMD)، بر عملکرد LSTM مورد بررسی قرار گرفت. برای این منظور چهار سناریوی مدل‌سازی مورد بررسی قرار گرفت: LSTM  بدون پیش‌پردازش، مدل‌های ترکیبی حاصل تلفیق موجک با یادگیری عمیق، مدل‌های ترکیبی حاصل تلفیق VMD با یادگیری عمیق، و یک مدل ترکیبی کامل حاصل تلفیق موجک، VMD، و یادگیری عمیق. علاوه بر این، سه رویکرد ترکیبی برای بهبود عملکرد مدل‌سازی مورد ارزیابی قرار گرفت. این رویکردها شامل تجزیه داده‌های ورودی و هدف، تجزیه تنها داده‌های هدف، و تجزیه تنها داده‌های ورودی بود که سپس با مدل‌های یادگیری عمیق ترکیب شدند. دو رویکرد مدل‌سازی جدید نیز پیشنهاد شد که شامل مدل‌سازی زمانی محلی مبتنی بر خوشه و یک مدل تبدیل موجک گسسته-تبدیلگر کانولوشنال زمانی (DWT-TCT) بود. این رویکردها روش‌های جایگزینی برای پیش‌بینی دبی ارائه کردند و با استفاده از زبان برنامه نویسی MATLAB توسعه داده شدند. نتایج نشان داد که مدل موجک-یادگیری عمیق تک خروجی بهتر از مدل‌های چند خروجی عمل کرد و به بهبودهای نسبی قابل توجهی تا 56 درصد برای LSTM و 51 درصد برای مدل‌های CNN دست یافت. علاوه بر این، رویکرد مدل‌سازی محلی زمانی مبتنی بر خوشه عملکرد امیدوارکننده‌ای را با بهبود نسبی تا 18 درصد در NRMSE در مقایسه با مدل تلفیقی موجک-یادگیری عمیق نشان داد، در حالی که هزینه محاسباتی پایین¬تری داشت. علاوه بر این، مدل DWT-Temporal Convolutional Transformer از همه مدل‌های دیگر بهتر عمل کرد و به مقادیر NRMSE از 6.8٪ تا 16.2٪ در مناطق مورد مطالعه دست یافت. این یافته‌ها دستاوردهای مهمی برای مطالعات هیدرولوژی و مدیریت منابع آب دارند، زیرا به توسعه مدل‌های پیش‌بینی دبی دقیق‌تر و کارآمدتر، به ویژه در شرایط غیر ایستا کمک می‌کنند.