Optimization Approaches for Reservoir Systems Operation Using Computational Intellegence Tools
Notice bibliographique
Résumé
Soft computing based tools including Fuzzy Inference Systems (FIS), Artificial Neural Networks (ANN), and Genetic Algorithms (GA) are used here to tackle the optimization problem of large-scale reservoir operations. At first, a nonlinear programming optimization method develops the optimal release policy of the system. The policy is then simulated to provide the trajectory of optimal releases and storages of the reservoir for simulated stochastic inflows. These trajectories are then used as input-output data to train an Adaptive Neuro Fuzzy Inference System (ANFIS) to obtain updated fuzzy operating rules. A subtractive clustering algorithm is used to estimate the number of clusters and cluster centers in optimal data obtained from the optimization step to build an initial FIS. This initial FIS is then optimized using the ANFIS model. The ANFIS based fuzzy rules are simulated and compared with policies developed using a multiple regression analysis. In another test, a parameterized T-norm operator is applied and its parameters are optimized through GA. This post-optimization problem acts as a tool for variance reduction, which is otherwise a very hard optimization problem. The objective function in GA optimization minimizes the variance of the monthly supplies. Results compare the superior performance of the ANFIS-based policies over the multiple regression-based policies and also the usefulness of GA as a tool for variance reduction through optimizing the parameters of a T-norm fuzzy operator.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».