مدل هیبریدی فراکاوشی یادگیری ماشینی تخمین سطح آب زیرزمینی
Publish place: Modares Civil Engineering journal، Vol: 21، Issue: 4
Publish Year: 1400
Type: Journal paper
Language: Persian
View: 44
This Paper With 14 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
Export:
Document National Code:
JR_MCEJ-21-4_006
Index date: 24 February 2025
مدل هیبریدی فراکاوشی یادگیری ماشینی تخمین سطح آب زیرزمینی abstract
آب چاه به عنوان منبع محدود طبیعی تامین آب، نقش حیاتی در مناطق خشک و نیمه خشک ایفا میکند. در سالهای اخیر با توجه به مشکل کمبود منابع آبی، مساله استفاده و مدیریت بهینه از اهمیت ویژه ای برخوردار است. به منظور آگاهی از وضعیت این منابع و مدیریت بهینه آن، پیش بینی نوسانات سطح آب چاه لازم است. مدلهای دقیق و قابل اطمینان پیش بینی سطح آب چاهها میتوانند به استفاده پایدار از آب زیرزمینی به منظور تامین نیاز های شهری، کشاورزی و صنعتی کمک کنند. مدلهای عددی نیازمند پارامترهای زیاد، زمان بر و پرهزینه هستند، لذا در سالهای اخیر توجه خاصی به مدل هوشمند شده است. در این پژوهش مدل حداقل مربعات ماشین بردار پشتیبان وزن دار (WLS-SVM) با دقیق ترین تابع وزنی Myriad با الگوریتمهای فراکاوشی جامعه پرندگان (PSO) و گرانشی (GSA) ترکیب شده است و این دو مدل هیبریدی (WLSSVM-PSO) و (WLSSVM-GSA) به عنوان روشهای محاسباتی هوشمند جدید به منظور تخمین سطح آب زیرزمینی ارائه شده است. به منظور تخمین سطح آب زیرزمینی از دادههای ده چاه مشاهداتی در دشت باغین استان کرمان، دارای آمار تراز سطح ایستابی با سری زمانی ده ساله استفاده شده است. مقادیر تخمین زده شده از دو مدل هیبریدی با مقادیر مشاهده ای تراز سطح ایستابی مقایسه گردید و عملکرد این مدلها با شاخصهای آماری ارزیابی شده است. نتایج نشان داد که مدلهای هیبریدی WLSSVM-PSO و WLSSVM-GSA دارای دقت بسیار خوبی برای تخمین سطح آب زیرزمینی میباشد، اما مدل WLSSVM-GSA نسبت به مدل WLSSVM-PSO کمی با دقت بالاتر عمل کرده است. بنابراین این مطالعه نشان میدهد که میتوان از این مدلهای هیبریدی ارائه شده به عنوان ابزاری کارآمد در تخمین سطح آب زیرزمینی استفاده نمود. آب چاه به عنوان منبع محدود طبیعی تامین آب، نقش حیاتی در مناطق خشک و نیمه خشک ایفا میکند. در سالهای اخیر با توجه به مشکل کمبود منابع آبی، مساله استفاده و مدیریت بهینه از اهمیت ویژه ای برخوردار است. به منظور آگاهی از وضعیت این منابع و مدیریت بهینه آن، پیش بینی نوسانات سطح آب چاه لازم است. مدلهای دقیق و قابل اطمینان پیش بینی سطح آب چاهها میتوانند به استفاده پایدار از آب زیرزمینی به منظور تامین نیاز های شهری، کشاورزی و صنعتی کمک کنند. مدلهای عددی نیازمند پارامترهای زیاد، زمان بر و پرهزینه هستند، لذا در سالهای اخیر توجه خاصی به مدل هوشمند شده است. در این پژوهش مدل حداقل مربعات ماشین بردار پشتیبان وزن دار (WLS-SVM) با دقیق ترین تابع وزنی Myriad با الگوریتمهای فراکاوشی جامعه پرندگان (PSO) و گرانشی (GSA) ترکیب شده است و این دو مدل هیبریدی (WLSSVM-PSO) و (WLSSVM-GSA) به عنوان روشهای محاسباتی هوشمند جدید به منظور تخمین سطح آب زیرزمینی ارائه شده است. به منظور تخمین سطح آب زیرزمینی از دادههای ده چاه مشاهداتی در دشت باغین استان کرمان، دارای آمار تراز سطح ایستابی با سری زمانی ده ساله استفاده شده است. مقادیر تخمین زده شده از دو مدل هیبریدی با مقادیر مشاهده ای تراز سطح ایستابی مقایسه گردید و عملکرد این مدلها با شاخصهای آماری ارزیابی شده است. نتایج نشان داد که مدلهای هیبریدی WLSSVM-PSO و WLSSVM-GSA دارای دقت بسیار خوبی برای تخمین سطح آب زیرزمینی میباشد، اما مدل WLSSVM-GSA نسبت به مدل WLSSVM-PSO کمی با دقت بالاتر عمل کرده است. بنابراین این مطالعه نشان میدهد که میتوان از این مدلهای هیبریدی ارائه شده به عنوان ابزاری کارآمد در تخمین سطح آب زیرزمینی استفاده نمود.
مدل هیبریدی فراکاوشی یادگیری ماشینی تخمین سطح آب زیرزمینی Keywords:
Groundwater level , Weighted least square support vector machine , Particle swarm optimization , Gravitational search algorithm-Efficiency. , سطح آب چاه , مدل هیبریدی هوشمند , حداقل مربعات ماشین بردار پشتیبان وزن دار , الگوریتم فراکاوشی
مدل هیبریدی فراکاوشی یادگیری ماشینی تخمین سطح آب زیرزمینی authors
شیوا خسروی
Islamic Azad University, Kerman branch
امیر رباطی
Islamic Azad University Kerman Branch
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 :
