مدل‌سازي جريان ورودي به مخزن با استفاده از شبكه‌ عصبي بازگشتي تاخير زماني با رويكرد عامل فراموش‌كننده

در این مقاله، روشی بازگشتی با عامل فراموش كننده برای كالیبراسیون پیوسته شبكه های عصبی زمانی پیشنهاد می شود . رویكرد عامل فراموش كننده الگوریتم های بازگشتی را قادر می سازد تا تأثیر داده ها و خطاهای قدیمی را در بهنگام سازی و آموزش مدل كاهش دهند . روش پیشنهادی برای كالیبراسیون شبكه عصبی به منظور مدل سازی جریان ورودی به مخزن استفاده می گردد . سری زمانی ماهانه ورودی به مخزن سد كارون ۳ در جنوب غربی ایران برای ارزیابی عملكرد رویكرد پیشنهادی استفاده می شود . همچنین، مدل خودهمبسته میانگین متحرك (ARMA) نیز در این مطالعه به منظور مقایسه به كار گرفته می شود . نتایج تحقیق حاكی از عملكرد بهتر شبكه عصبی زمانی كالیبره شده با این رویكرد از لحاظ دقت پیش بینی در مقایسه با شبكه عصبی آموزش داده شده با روش های معمول می باشد . همچنین، شبكه عصبی با رویكرد آموزش پیشنهادی دقت بیشتری را در مدل سازی نسبت به مدل آماری ARMA كه با رویكرد عامل فراموش كننده كالیبره شده، نشان می دهد.