مدل الگوریتم شبکه های عصبی مصنوعی برای محاسبه و برآورد مصرف نفت

مهدی جهانی1 علی کریمی2 راضیه کلی وند3

چکیده :
مصرف نفت یکی از عوامل اصلی تاثیرگذار بر صنعت و اقتصاد است. بنابراین برآورد و پیش بینی مصرف نفت بسیار مهم است. این امر به دولت ها کمک می کند تا تصمیمات درستی اتخاذ کنند و از تصمیمات نادرستی که منجر به نتایج منفی می شود اجتناب کنند. این مطالعه یک رویکرد جدید برای پیش‌بینی مصرف نفت با ادغام الگوریتم سینوسی کسینوس SCA)) با شبکه‌های عصبی مصنوعی (ANN) ارائه می‌کند. SCA، یک الگوریتم بهینه‌سازی الهام‌گرفته از طبیعت، برای بهینه‌سازی پارامترهای ANN استفاده می‌شود و دقت پیش‌بینی آن را افزایش می‌دهد. روش‌های سنتی اغلب در گرفتن الگوهای پیچیده و غیرخطی موجود در داده‌های مصرف نفت کوتاهی می‌کنند. با استفاده از قابلیت‌های جستجوی قوی SCA و مهارت ANN در مدل‌سازی روابط غیرخطی، هدف مدل ترکیبی پیشنهادی ارائه عملکرد پیش‌بینی برتر است. نتایج تجربی، تایید شده با استفاده از داده‌های مصرف نفت تاریخی، نشان می‌دهد که مدل ANN بهینه‌شده با SCA به طور قابل‌توجهی از تکنیک‌های پیش‌بینی مرسوم از نظر دقت و قابلیت اطمینان بهتر عمل می‌کند. این رویکرد نه تنها ابزار قدرتمندی برای ذینفعان در بخش انرژی فراهم می‌کند، بلکه با نمایش پتانسیل ترکیب الگوریتم‌های تکاملی با شبکه‌های عصبی، به حوزه گسترده‌تر پیش‌بینی سری‌های زمانی کمک می‌کند.به همین دلیل، روش‌های مختلفی برای پیش‌بینی مصرف روغن استفاده شده‌اند، مانند مدل سیستم استنتاج عصبی فازی تطبیقی (ANFIS). این یکی از محبوب ترین روش های داده کاوی است که برای انجام پیش بینی استفاده می شود. با این حال، مدل ANFIS ممکن است در همه داده‌ها دقیق (بایاس‌شده) نباشد، زیرا پارامترهای آن نیاز به تعیین و به‌روزرسانی دارند و این ممکن است منجر به گیر کردن در نقطه محلی و عدم همگرایی به مقدار بهینه شود. برای این منظور، این مقاله یک روش پیش‌بینی مصرف نفت جایگزین با بهبود ANFIS با استفاده از الگوریتم سینوسی – کسینوس (SCA) ارائه می‌کند. در روش پیشنهادی به نام SCA-ANFIS، پارامترهای ANFIS با استفاده از SCA بهینه می‌شوند. به منظور ارزیابی عملکرد روش پیشنهادی SCA-ANFIS، یک مجموعه داده واقعی از مصرف فرآورده های نفتی سه کشور، یعنی ایران، آلمان و ژاپن، استفاده شده است. این مجموعه داده در دوره بین سال های 2007 تا 2017 جمع آوری شده است که شامل 120 رکورد در ماه برای هر کشور است. علاوه بر این، نتایج روش پیشنهادی با انواع مدل‌های ANFIS مقایسه می‌شود. نتایج تجربی نشان می‌دهد که روش پیشنهادی SCA-ANFIS از سایر الگوریتم‌ها بهتر عمل می‌کند.

کلمات کلیدی : اصطلاحات شاخص سری زمانی anfis بهینه الگوریتم شبکه پیش بینی مصرف نفت


زبان مقاله : فارسی
محور مقاله : مهندسی نفت
محل انتشار : سومین کنفرانس بین المللی پیشرفت های اخیر در مهندسی، نوآوری و تکنولوژی - بلژیک
آدرس وب سایت کنفرانس : eitconf.com/3rd
کد IOI مقاله : XKBA-AZEADK
لینک مستقیم مقاله : https://isnac.ir/XKBA-AZEADK

سایر مقالات محل انتشار
  1. خوشه بندی تصاویر رادار سار با استفاده از شبکه‌های عصبی مصنوعی
  2. Simulation, Analysis and Investigation of Friction, Mechanical properties and the Role of Plunger on Thickness Distribution in Hydro-Forming Process
  3. Polymeric Nanoparticles in Cancer Therapy: Drug Delivery through Controlled and Targeted Release- A Review
  4. Renewable Materials in Green Construction: The Role of Hempcrete and Other Sustainable Building Practices
  5. استفاده از انرژی خورشیدی در باززنده‌سازی بناهای تاریخی
  6. ارزیابی مسائل زیست محیطی در خصوص آودگی آب در جهت توسعه شهری
  7. بررسی نکات طراحی و ساخت برج Kingdom در کشور عربستان
  8. Exploring the Impact of Urban Management on Achieving Sustainable Urban Development
  9. The risk of pollutants and their impact on the environment - a review
  10. بررسی انواع بتن کاربردی
  11. نقد تدریس زبان انگلیسی در آموزش عالی و چگونگی بهبود تدریس زبان به کمک روش های نوین
  12. ارزیابی علل روانگرایی خاک و عوامل تشدید کننده آن
  13. Intelligent Energy Management Analysis for Thermal Comfort in Commercial Complexes
  14. کاربرد هوش مصنوعی در دینامیک سیالات محاسباتی بهینه‌سازی و پیش‌بینی عملکرد جریان‌های سیال
  15. Waste management in drilling operation