최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기Journal of Korea Water Resources Association = 한국수자원학회논문집, v.51 no.12, 2018년, pp.1217 - 1227
박명기 (한국수자원공사 물정보종합센터) , 윤영석 (한국수자원공사 물정보종합센터) , 이현호 (한국수자원공사 물정보종합센터) , 김주환 (한국수자원공사 K-water융합연구원)
This paper aims to evaluate the applicability of dam inflow prediction model using recurrent neural network theory. To achieve this goal, the Artificial Neural Network (ANN) model and the Elman Recurrent Neural Network(RNN) model were applied to hydro-meteorological data sets for the Soyanggang dam ...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
유출현상 예측에 어려움을 주는 특성은? | 댐 유입량 예측은 댐운영 계획수립, 용수공급 계획수립, 가뭄ㆍ홍수 등 수재해예방, 생태계 보존 등 효율적인 물 관리를 위한 필수적인 요소이다. 하지만 유출현상은 자연현상의 하나로 높은 복잡도, 비정상성, 비선형 특징을 가지기 때문에 예측이 쉽지 않다. 현재 다목적댐에서는 댐 유입량 예측을 위해 유출모델(SSARR)과 빈도분석(향후 10일은 지하수 감수곡선)자료를 활용하고 있다. | |
현재 다목적댐에 사용되는 유출량 예측 방법의 한계점은? | 현재 다목적댐에서는 댐 유입량 예측을 위해 유출모델(SSARR)과 빈도분석(향후 10일은 지하수 감수곡선)자료를 활용하고 있다. 유출모델의 경우 모델에 대한 이해, 매개변수 설정 등 사용자에 따라 분석 정확도 차이가 크며, 빈도분석은 안정적 운영을 고려한 10~20년 이상 빈도유입량을 선택함에 따라 사용자의 주관적 분석이 될 수 있는 한계점이 있다. | |
다목적댐 댐 유입량 예측 방법은? | 하지만 유출현상은 자연현상의 하나로 높은 복잡도, 비정상성, 비선형 특징을 가지기 때문에 예측이 쉽지 않다. 현재 다목적댐에서는 댐 유입량 예측을 위해 유출모델(SSARR)과 빈도분석(향후 10일은 지하수 감수곡선)자료를 활용하고 있다. 유출모델의 경우 모델에 대한 이해, 매개변수 설정 등 사용자에 따라 분석 정확도 차이가 크며, 빈도분석은 안정적 운영을 고려한 10~20년 이상 빈도유입량을 선택함에 따라 사용자의 주관적 분석이 될 수 있는 한계점이 있다. |
Bergmeir, C., and Benitez, J.M. (2012). "Neural Networks in R Using the Stuttgart Neural Network Simulator: RSNNS." Journal of Statistical Software, Vol. 46, No. 7, pp. 1-26.
Chen, P.-A., Chang, L.-C., and Chang, F.-J. (2013). "Reinforced recurrent neural networks for multi-step-ahead flood forecasts." Journal of Hydrology, Vol. 497, pp. 71-79.
Chiang, Y.-M., Hsu, K.-L., Chang, F.-J., Hong, Y., and Sorooshian, S. (2007). "Merging multiple precipitation sources for flash flood forecasting." Journal of Hydrology, Vol. 340, No. 3-4, pp. 183-196.
Coulibaly P., and Anctil F. (1999). "Real-time short-term natural water inflows forecasting using recurrent neural networks." International Joint Conference On Neural Networks, Washington Dc, Proceedings Ijcnn'99, Vol. 6, pp. 3802-3805.
Coulibaly, P., and Baldwin, C. K. (2005). "Nonstationary hydrological time series forecasting using nonlinear dynamic methods." Journal of Hydrology, Vol. 307, No. 1, pp. 164-174.
Elman, Jeffrey L. (1990). "Finding Structure in Time." Cognitive Science, Vol. 14, No. 2, pp. 179-211.
Hsu, K., Gupta, H. V., and Sorooshian, S. (1995). "Artificial Neural Network Modeling of the Rainfall-Runoff Process." Water Resources Research, Vol. 31, No. 10, pp. 2517-2530.
Jung, S. H., Lee, D. E., and Lee, K. S. (2018). "Prediction of River Water Level Using Deep-Learning Open Library." Journal of the Korean Society of Hazard Mitigation, Vol. 18, No. 1, pp. 1-11.
Kim, J. H., Park, C. Y., and Kang K. W. (1992). "Nonlinear Prediction of Stream flows by Pattern Recognition Method." Journal of Korean Water Resources Association, Vol. 25, No. 3, pp. 105-113.
Kim, J. H. (1993). A Study on Hydrologic Forecasting of Stream flows Based on Artificial Neural Network. Ph. D. dessertation, Inha University.
Kwon, S. H., Lee, J. W., and Chung, G. H. (2017). "Snow Damages Estimation using Artificial Neural Network and Multiple Regression Analysis." Journal of the Korean Society of Hazard Mitigation, Vol. 17, No. 2, pp. 315-325.
Lee, C. Y., and Kim, J. H. (2018), "The Prediction and Analysis of the Power Energy Time Series by Using the Elman Recurrent Neural Network." Journal of Society of Korea Industrial and Systems Engineering, Vol. 41, No. 1, pp. 84-93.
Lee, K. H., Jung, S. H., and Lee, D. E. (2018). "Comparison of physics-based and data-driven models for streamflow simulation of the Mekong river." Journal of Korea Water Resources Association, Vol. 51, No. 6, pp. 503-513.
Maier, H. R., and Dandy, G. C. (2000). "Neural networks for the prediction and forecasting of water resources variables: a review of modelling issues and applications." Environmental Modelling & Software, Vol. 15, No. 1, pp. 101-124.
McCulloch, W.S., and Pitts, W. (1943). "A Logical Calculusof the Ideas Immanent in Nervous Activity." The Bulletin of Mathematical Biophysics, Vol. 5, No. 4, pp. 115-133.
Rong, X. (2014). deepnet: deep learning toolkit in R, accessed 1 May 2018, .
Rosenblatt, F. (1958). "The Perceptron: A Probabilistic Model for Information Storage and Organization in the Brain." Psychological Review, Vol. 65, No. 6, pp. 386-408.
Rumelhart, D. E., Hintont, G. E., and Williams, R. J. (1986). "Learning Representations by Back-propagating Errors." NATURE, Vol. 323, No. 9, pp. 533-536.
Shoaib, M., Shamseldin, A. Y., Melville, B. W., and Khan, M. M. (2016). "A comparison between wavelet based static and dynamic neural network approaches for runoff prediction." Journal of Hydrology, Vol. 535, pp. 211-225.
Yaseen, Z. M., El-shafie, A., Jaafar, O., Afan, H. A., and Sayl, K. N. (2015). "Artificial intelligence based models for stream-flow forecasting: 2000-2015." Journal of Hydrology, Vol. 530, pp. 829-844.
Zhang, D., Holland, E. S., Lindholm, G., and Ratnaweera, H. (2017). "Hydraulic modeling and deep learning based flow forecasting for optimizing inter catchment wastewater transfer." Journal of Hydrology. Vol. In Press, Corrected Proof, .
Zhang, D., Lindholm, G., and Ratnaweera, H. (2018). "Use long short-term memory to enhance Internet of Things for combined sewer overflow monitoring." Journal of Hydrology, Vol. 556, pp. 409-418.
Zhang, J., Zhu, Y., Zhang, X., Ye, M., and Yang, J. (2018). "Developing a Long Short-Term Memory (LSTM) based model for predicting water table depth in agricultural areas." Journal of Hydrology, Vol. 561, pp. 918-929.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.