مقایسه کارآیی مدل های درختی در محاسبه ضریب پراکندگی طولی آلاینده ها در آبراهه های مستقیم

Publish Year: 1396
نوع سند: مقاله ژورنالی
زبان: Persian
View: 334

This Paper With 15 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_WATER-8-1_008

تاریخ نمایه سازی: 15 تیر 1398

Abstract:

چکیده مدل­سازی پیشروی آلاینده ها در آبراهه های طبیعی یکی از مهم ترین مسائل محیط زیست است. ضریب پخشیدگی طولی یکی از پارامترهای اساسی در مدل­سازی انتشار آلودگی­ها به حساب می آید. طی پژوهش های صورت گرفته توسط محققان مختلف روابط متعددی جهت برآورد این ضریب ارائه شده است که اغلب این روابط به صورت تجربی و یا نیمه تجربی به­دست آمده­اند. با این وجود، نیاز به روش­های دقیق­تر تخمین ضریب پخشیدگی طولی همچنان احساس می­شود. در این تحقیق جهت تخمین این ضریب، مدل­های داده­کاوی با توجه به اطلاعات هیدرولیکی و هندسی رودخانه­ها توسعه یافته است. بر این اساس الگوریتم­های درختی M5، CART و برنامه ریزی ژنتیک (GP)مورد استفاده قرار گرفت. جهت مقایسه کارایی مدل­ها با معادلات موجود از پارامترهای آماری جذر میانگین مربعات خطا، میانگین خطای مطلق و نسبت اختلاف استفاده گردید. نتایج تحلیل­های آماری نشان داد که مدل­های داده­کاوی می­توانند ضریب پخشیدگی طولی را با دقت بهتر برآورد نمایند. مدل CART با وجود دقت زیاد در مرحله آموزش، در مرحله صحت سنجی از دقت کمتری برخوردار بوده است. مدل هایM5  و GP به ترتیب دارای جذر میانگین مربعات خطای 41/0 و 44/0 و معیار دقت 61% و 62% بوده و در مقایسه با روابط تجربی موجود از دقت بیشتری برخوردار می باشند. با توجه به اختلاف ناچیز میان این دو مدل و سادگی مدل ارائه شده توسطM5 ، از این مدل می­توان جهت برآورد ضریب پراکندگی طولی در رودخانه­ها استفاده کرد.

Keywords:

واژه‎های کلیدی: پیشروی آلاینده ها , ضریب پراکندگی طولی , CART , M5 , GP

Authors

حسین نزارتیان

گروه مهندسی آب دانشگاه کشاورزی و منابع طبیعی رامین خوزستان،

جواد ظهیری

استادیار، گروه مهندسی آب دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

محمود کاشفی پور

استاد دانشکده مهندسی علوم آب، گروه سازه های آبی، دانشگاه شهید چمران، اهواز، 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 :
  • ظهیری، ج. 1394. کاربرد مدل های ناپارامتریک CART و M5 ...
  • Breiman, L., Friedman, J., Olshen, R.  and Stone, C. 1984. ...
  • Chatila, G. J. 1997. Modeling of pollutant transfer in compound ...
  • Dissertation, University of Ottawa, Ontario, Canada. ...
  • Deng, Z.Q.,  Bengtsson, L., Singh, V. P., et al. 2002. ...
  • Etemad-Shahidi,  A and  M. Taghipour. 2012. Predicting longitudinal dispersion coefficient in natural ...
  • Etemad-Shahidi, A and N. Ghaemi. 2011. Model tree approach for ...
  • Haghiabi, A. H. 2016. Prediction of longitudinal dispersion coefficient using ...
  • Kashefipour, M.S., Falconer, R.A. 2002. Longitudinal dispersion coefficients in natural ...
  • Koza, J.R. 1992 . Genetic Programming: on the programming of ...
  • Li, Z.H., Huang, J., Li, J. 1998. Preliminary study on ...
  • Noori, R., Karbassi, A., Farokhnia, A and Dehghani, M. 2009. ...
  • Papadimitrakis, I., and Orphanos, I. 2004. Longitudinal dispersion characteristics of ...
  • Quinlan, J. R. 1992. Learning with continuous classes. Proc., 5th ...
  • Rutherford, J.C. 1994. River Mixing. John Wiley, Chichester, U. K. ...
  • Sattar, A. M. A and Gharabaghi B .2015. Gene expression ...
  • Seo, I and  Baek, K .2004 .Estimation of the longitudinal ...
  • Seo, I and Cheong, T. 1998 .Predicting longitudinal dispersion coefficient ...
  • Tayfur, G., Singh, V.P. 2005. Predicting longitudinal dispersion coefficient in ...
  • Wang, Y., and Witten, I. H. 1997. Induction of model ...
  • نمایش کامل مراجع