مقایسه عملکرد مدل های هوشمند در شبیه سازی پارامترهای کیفی آب سطحی و زیرزمینی (مطالعه موردی:دشت ساوه)

Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 205

This Paper With 18 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:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_WATER-12-3_014

تاریخ نمایه سازی: 16 فروردین 1401

Abstract:

هدف از تحقیق حاضر شبیه­سازی پارامترهای کیفیت منابع آب با استفاده از مدل­های هوشمند و بررسی اثر منبع آب سطحی و زیرزمینی در دقت شبیه سازی پارامترهای کیفی آب می­باشد. در این مطالعه کاربرد روش های شبکه عصبی مصنوعی (ANN) و عصبی-فازی (CANFIS) در شبیه سازی پارامترهای مهم کیفی آب سطحی و زیرزمینی دشت ساوه شاملTDS, SAR, EC,TH مورد ارزیابی قرار گرفت. بدین منظور پس از بررسی میزان همبستگی کاتیون ها و آنیون ها با پارامترهای هدف در هر دو منبع آبی، متغیرهای کیفی SO۴, Cl, Mg, Ca, pH طی دوره ۵۰ ساله از ۱۳۴۵ لغایت ۱۳۹۵ به عنوان متغیرهای ورودی انتخاب گردیدند. نتایج شبیه­سازی نشان داد که کمترین خطای برآورد شبکه عصبی مصنوعی برای منابع زیرزمینی و سطحی، به ترتیب مربوط به شبیه سازی TH و EC با خطای NRMSE معادل ۲۹/۱ و ۳/۵ درصد بود. بیشترین مقدار خطا در هر دو منبع مربوط به پارامتر SAR می باشد. به همین ترتیب، نتایج مشابه در شبیه-سازی با روش فازی-عصبی بدست آمد. آزمون تی-تست نشان داد، که استفاده از روش های هوشمند عصبی و عصبی-فازی در برآورد پارامتر کیفی SAR در منابع آب زیرزمینی اختلاف معنی داری دارند، به طوری­که مقدار NRMSE از ۰۹/۳۲ درصد در روش ANN به ۸۲/۲۲ در روش CANFIS کاهش یافته است. در مورد سایر پارامترهای کیفی آب زیرزمینی، اختلاف معنی داری مشاهده نگردید. در مورد منابع آب سطحی، روش عصبی-فازی سبب بهبود معنی دار نتایج مدل سازی پارامترهای کیفی TDS, SAR شد، به طوری­که مقدار NRMSE به ترتیب از ۳۵/۶۰ و ۲۷/۲۹ درصد در روش شبکه عصبی مصنوعی به ۷۲/۲۸ و ۸۵/۱۶ درصد در روش فازی-عصبی کاهش یافت. در مجموع می توان این گونه استنباط نمود که اثر نوع منبع آب در میزان خطای شبیه سازی هر یک از پارامترهای کیفی مشهود بود.

Authors

مریم بیات ورکشی

، گروه علوم و مهندسی خاکشناسی، دانشکده کشاورزی، دانشگاه ملایر

احمد باقری

دانشگاه ملایر

مریم هاشمی

دانشگاه ملایر

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 :
  • احمدپور، س. ز.، احمدیان فر، ا.، اصغری­پری، س. ا. ۱۳۹۸. ...
  • پیری، ح.، بامری، ا. ۱۳۹۳. برآورد نسبت جذبی سدیم (SAR) ...
  • جوادی، ع.، مصطفی­زاده­فرد، ب.، شایان­نژاد، م.، مصدقی، م.ر.۱۳۹۶. ارزیابی معادلات ...
  • زارع­ابیانه، ح.، بیات­ورکشی، م.۱۳۹۰. ارزیابی مدل های هوشمند عصبی و ...
  • زارع­ابیانه، ح.، قاسمی، ع.، بیات­ورکشی، م.، محمدی، ک.، سبزی­پرور، ع. ...
  • صیادی­شهرکی، ف.، صیادی­شهرکی، ع. ۱۳۹۸. شبیه­سازی هدایت الکتریکی دشت بهبهان ...
  • زمان­زاد­قویدل، س.، زینال­زاده،ک.۱۳۹۴. برآورد مقدار جامدات محلول رودخانه با استفاده ...
  • محقق، ع.، ولیخان­انارکی، م.، فرزین، س. ۱۳۹۹. مدل سازی پارامترهای ...
  • محمدی، پ.، ابراهیمی، ک. ۱۳۹۸. ارتقا الکتریکی رودخانه با کاربرد ...
  • منتصری، م.، زمان­زاد­قویدل، س. ۱۳۹۵. مقایسه عملکرد مدل های هوش ...
  • میرسنجری، م. م.، محمدیاری، ف.، بصیری، ر.، حمیدی پور، ف. ...
  • وهابی­مشهور، م.، رحیمی­خوب، ع. ۱۳۹۴. مقایسه عملکرد مدل­های درختی و ...
  • Al-Mukhtar, M., Al-Yaseen, F. ۲۰۱۹. Modeling Water Quality Parameters Using ...
  • Bayatvarkeshi, M., Alam Imteaz, M., Kisi, O., Zarei, M., Mundher ...
  • Gnana Sheela, K., Deepa, S. N. ۲۰۱۳. Review on Methods ...
  • Moasheri, S. A., Rezapour, O.M., Beyranvand, Z., Poornoori, Z. ۲۰۱۳. ...
  • Montaseri, M., Zaman Zad Ghavidel, S., Sanikhani, H. ۲۰۱۸. Water ...
  • Najah Ahmed,A., Binti Othman, F., Afan, H. A., Khaleel Ibrahim, ...
  • Soltani Mohammadi, A., Sayadi Shahraki, A., Naseri, A.A. ۲۰۱۷. Simulation ...
  • نمایش کامل مراجع