Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "przepływ soli" wg kryterium: Temat


Wyświetlanie 1-1 z 1
Tytuł:
A hybrid model for modelling the salinity of the Tafna River in Algeria
Hybrydowy model służący modelowaniu zasolenia rzeki Tafna w Algierii
Autorzy:
Houari, Khemissi
Hartani, Tarik
Remini, Boualem
Lefkir, Abdelouhab
Abda, Leila
Heddam, Salim
Powiązania:
https://bibliotekanauki.pl/articles/292367.pdf
Data publikacji:
2019
Wydawca:
Instytut Technologiczno-Przyrodniczy
Tematy:
Adaptive-Network-Based Fuzzy Inference System (ANFIS)
hybrid model
neuro-fuzzy
salinity
salt flow
Tafna River
model hybrydowy
przepływ soli
rzeka Tafna
system neuronowo-rozmyty
system wnioskowania rozmytego (ANFIS)
zasolenie
Opis:
In this paper, the capacity of an Adaptive-Network-Based Fuzzy Inference System (ANFIS) for predicting salinity of the Tafna River is investigated. Time series data of daily liquid flow and saline concentrations from the gauging station of Pierre du Chat (160801) were used for training, validation and testing the hybrid model. Different methods were used to test the accuracy of our results, i.e. coefficient of determination (R2), Nash–Sutcliffe efficiency coefficient (E), root of the mean squared error (RSR) and graphic techniques. The model produced satisfactory results and showed a very good agreement between the predicted and observed data, with R2 equal (88% for training, 78.01% validation and 80.00% for testing), E equal (85.84% for training, 82.51% validation and 78.17% for testing), and RSR equal (2% for training, 10% validation and 49% for testing).
W pracy badano zdolność systemu wnioskowania rozmytego opartego na adaptacyjnej sieci (ANFIS) do przewidywania zasolenia rzeki Tafna. Do trenowania, oceny i testowania modelu hybrydowego wykorzystano serie pomiarów dobowych przepływów płynu i stężeń soli ze stacji pomiarowej w Pierre du Chat (160801). Dokładność wyników testowano za pomocą: współczynnika determinacji (R2), współczynnika wydajności Nasha–Sutcliffe’a (E), pierwiastka średniego błędu kwadratowego (RSR) i technik graficznych. Model dał zadowalające wyniki i wykazywał dobrą zgodność między danymi obserwowanymi a przewidywanymi: R2 (88% w przypadku uczenia sieci, 78.01% walidacji i 80.00% testowania), E (85.84% w przypadku uczenia sieci, 82.51% walidacji i 78.17% testowania) i RSR (2% w przypadku uczenia sieci, 10% walidacji i 49% testowania).
Źródło:
Journal of Water and Land Development; 2019, 40; 127-135
1429-7426
2083-4535
Pojawia się w:
Journal of Water and Land Development
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-1 z 1

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies