Biblioteca122.294 documentos en línea

Artículo

A Comparative Analysis of Data-Driven Empirical and Artificial Intelligence Models for Estimating Infiltration RatesUn Análisis Comparativo de Modelos de Inteligencia Artificial y Empíricos Basados en Datos para Estimar Tasas de Infiltración

Resumen

La infiltración es un fenómeno vital en el ciclo del agua y, en consecuencia, la estimación de la tasa de infiltración es importante para muchos estudios hidrológicos. En el presente trabajo, se han aplicado diferentes modelos basados en datos, incluyendo Regresión Lineal Múltiple (MLR), Gradiente Reducido Generalizado (GRG), dos técnicas de Inteligencia Artificial (Red Neuronal Artificial (ANN) y Programación Genética Multigenética (MGGP)), y el híbrido MGGP-GRG para estimar las tasas de infiltración. Las tasas de infiltración estimadas se compararon con las obtenidas por modelos empíricos de infiltración (modelo de Horton, modelo de Philips y modelo modificado de Kostiakov) para los datos de infiltración publicados. Entre los modelos convencionales considerados, el modelo de Philips proporcionó las mejores estimaciones de la tasa de infiltración. Se observó que la aplicación del modelo híbrido MGGP-GRG y MGGP mejoró las estimaciones de las tasas de infiltración en comparación con el modelo de infiltración

  • Tipo de documento:
  • Formato:pdf
  • Idioma:Inglés
  • Tamaño: Kb

Cómo citar el documento

Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.

Este contenido no est� disponible para su tipo de suscripci�n

Información del documento