اثر نویز در پیش بینی زمانی جریان و انتقال آلودگی در محیط متخلخل با استفاده از مدل های هوش مصنوعی
Publish place: Environmental Science and Technology، Vol: 21، Issue: 5
Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 316
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ESTJ-21-5_003
تاریخ نمایه سازی: 19 مهر 1400
Abstract:
زمینه و هدف: عدم قطعیت پارامترهای صحرایی، نویز در دادههای مشاهداتی و شرایط مرزی نامشخص از مهم ترین عوامل محدود کننده در مدل سازی جریان و انتقال آلودگی در محیط های متخلخل است. روش بررسی: در این تحقیق، دشت میاندوآب به عنوان مطالعه موردی برای شبیهسازی تراز آب زیرزمینی و غلظت کلراید انتخاب شد. برای مدل سازی زمانی انتقال آلودگی از روش های هوش مصنوعی استفاده شد. در روش پیشنهادی، ابتدا سریهای زمانی تراز آب زیرزمینی و غلظت کلراید در پیزومترهای مختلف با استفاده از روش آستانه موجک رفع نویز شدند. در ادامه اثر نویز و رفع نویز در سریهای زمانی تراز آب زیرزمینی و غلظت کلراید در مدل های هوش مصنوعی موردبررسی قرارگرفت. برای این منظور، ۱۴ پیزومتر مختلف با استفاده از شبکه عصبی مصنوعی و سیستم عصبی-فازی تطبیقی برای تخمین غلظت کلراید در یک ماه بعد، آموزش و اعتبارسنجی شدند. یافتهها: نتایج نشان داد که روش آستانه موجک برای رفع نویز سریهای زمانی میتواند تا ۲۵ درصد کارایی مدل های هوش مصنوعی را افزایش دهد. همچنین توانایی مدل عصبی-فازی تطبیقی در هر دو مرحله آموزش و صحت سنجی به دلیل کارایی منطق فازی برای غلبه بر عدم قطعیت پدیده از شبکه عصبی مصنوعی بیشتر بوده است. بحث و نتیجهگیری: استفاده از رفع نویز موجکی سریهای زمانی به عنوان پیشپردازش دادهها در پیشبینی زمانی جریان آب زیرزمینی و انتقال آلایندهها، کارایی مدلهای هوش مصنوعی را افزایش میدهد.
Keywords:
Authors
شهرام موسوی
استادیار، باشگاه پژوهشگران جوان و نخبگان، واحد میانه، دانشگاه آزاد اسلامی، میانه، ایران (مسوول مکاتبات)
وحید نورانی
استاد، گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز، ایران
محمد تقی اعلمی
استاد، گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز، ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :