文献

J-GLOBAL ID：202002223338338207   整理番号：20A0571844

一般化回帰ニューラルネットワークによる被圧帯水層の水理パラメータ推定【JST・京大機械翻訳】

Confined Aquifer’s Hydraulic Parameters Estimation by a Generalized Regression Neural Network

著者 (3件)： Delnaz Atefeh (Department of Civil and Environmental Engineering, Shiraz University, Shiraz, Iran) ,  Rakhshandehroo Gholamreza (Department of Civil and Environmental Engineering, Shiraz University, Shiraz, Iran) ,  Nikoo Mohammad Reza (Department of Civil and Environmental Engineering, Shiraz University, Shiraz, Iran)
資料名： Iranian Journal of Science and Technology, Transactions of Civil Engineering  (Iranian Journal of Science and Technology, Transactions of Civil Engineering)
巻： 44  号： 1  ページ： 259-269  発行年： 2020年 
JST資料番号： W4503A  ISSN： 2228-6160  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 帯水層水力パラメータの正確な推定は,地下水資源のより持続可能な管理に対する資産である。帯水層パラメータの非線形相関は,観測データと出力関数の間のマッピングにおけるそれらの柔軟性により,人工知能モデルを用いて,帯水層の充電関数の等化レベル複雑性と共に効率的に取り扱うことができる。本研究では,一般化回帰ニューラルネットワーク,人工ニューラルネットワーク(ANN)および適応ニューロファジィ干渉システム(ANFIS)に対する性能比較に焦点を絞り,水理パラメータ,すなわち貯蔵係数および拘束帯水層の透過率を推定した。推定出力関数のより大きな精度を得るために,ポンピング試験データの主成分分析を最初に行い,冗長性と有意な変数の相関をフィルタリングすることにより入力次元を低減した。次に,これらのデータを人工知能モデルの訓練と検証過程に通した。予測モデルの検証の間,いくつかの誤差指数,平均絶対相対誤差(MARE),RMSE,MAE,RMRE,BiasおよびR2を用いた。最後に,推定された出力関数を伝統的で一般的に使用されている図式理論に対して比較した。例として,ANNと図式理論による帯水層パラメータ推定におけるMAREは,それぞれ0.5564%と1.1320%であった。より一般的に,限られた帯水層の水理パラメータを推定するために使用されたすべての知能予測モデルの中で,ANFISはより正確で,他のものよりもはるかに少ない計算時間を必要とし,したがって帯水層パラメータ推定における優れたモデルとして選択される可能性がある。Copyright Shiraz University 2019 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 冗長性 ,  人工知能 ,  等化 ,  透過率 ,  充電 ,  フィルタリング ,  *ニューラルネットワーク ,  *帯水層 ,  予測モデル ,  主成分分析 ,  *被圧帯水層 ,  ファジィニューラルネットワーク ,  神経回路網 ,  干渉 ,  *パラメータ推定

著者キーワード (5件)： 地下水管理 ,  帯水層パラメータ推定 ,  人工知能モデル ,  人工神経回路網 ,  一般化回帰神経回路網

分類 (1件)： 地下水学  (DC07040Y)

タイトルに関連する用語 (4件)： 一般化回帰ニューラルネットワーク ,  被圧帯水層 ,  水理パラメータ ,  推定