استفاده از رویکرد یادگیری عمیق در تحلیل شاخص تغذیه‌گرایی (مطالعه موری: سد کرخه) | ||
| مجله اکوهیدرولوژی | ||
| دوره 13، شماره 3، پاییز 1405، صفحه 1512-1535 اصل مقاله (1.17 M) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ije.2026.416051.1917 | ||
| نویسندگان | ||
| پریسا بزرگی1؛ امیر حسین جاوید* 1؛ سارا اله یاری بیک2؛ سیده هدی رحمتی1 | ||
| 1گروه مهندسی محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران | ||
| 2گروه فیزیک، واحد علوم و تحقیقات، دانشگاه آزاد اسلامی، تهران، ایران | ||
| چکیده | ||
| موضوع: تغذیه‌گرایی یکی از چالش‌های مهم کیفی در بهره‌برداری از مخازن سدها است که می‌تواند موجب رشد جلبک‌ها، کاهش شفافیت آب، افت اکسیژن محلول و ایجاد محدودیت در استفاده از منابع آب شود. هدف: شبیه‌سازی شاخص تغذیه‌گرایی در مخزن سد کرخه، از مدل‌های یادگیری عمیق شامل RNN و LSTM در تلفیق با دو الگوریتم بهینه‌سازی فراابتکاری HOA و FHO است. روش تحقیق: شاخص کارلسون در 6 ایستگاه پایش و 4 عمق مختلف محاسبه شد و سپس شبیه‌سازی آن در مقیاس ماهانه با استفاده از 10 سناریوی مختلف متغیرهای ورودی انجام شد. داده‌های مورد استفاده مربوط به یک دورۀ پنج‌ساله بود که چهار سال برای آموزش و یک سال برای آزمون مدل‌ها در نظر گرفته شد. یافته‌ها: نتایج پهنه‌بندی نشان داد مقدار شاخص تغذیه‌گرایی با افزایش عمق کاهش یافته و در فصل تابستان، به دلیل افزایش دمای آب، پایداری لایه‌بندی حرارتی و افزایش زمان ماند، مقدار شاخص افزایش می‌یابد. همچنین، ایستگاه‌هایی با فاصلۀ بیشتر از ساختگاه سد و جریان خروجی، به دلیل ماندگاری بیشتر آب و احتمال تجمع مواد مغذی، مقادیر بالاتری از شاخص را نشان دادند. نتایج شبیه‌سازی بیانگر برتری مدل LSTM-FHO در برآورد شاخص تغذیه‌گرایی بود. این برتری را می‌توان به توانایی LSTM در یادگیری وابستگی‌های زمانی بلندمدت و قابلیت FHO در بهینه‌سازی پارامترهای مدل نسبت داد. بررسی سناریوهای ورودی نیز نشان داد پارامترهای اکسیژن محلول، دمای آب، جریان سطحی ورودی به مخزن و تراز آب، مهم‌ترین متغیرهای مؤثر در شبیه‌سازی شاخص کارلسون هستند. نتیجه‌گیری: تلفیق مدل‌های یادگیری عمیق با الگوریتم‌های بهینه‌سازی می‌تواند رویکردی کارآمد برای پایش، شبیه‌سازی و مدیریت تغذیه‌گرایی در مخازن سدها باشد. | ||
| کلیدواژه‌ها | ||
| تغذیه‌گرایی؛ شاخص کارلسون؛ مخزن سد؛ یادگیری عمیق؛ روش LSTM | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 139 تعداد دریافت فایل اصل مقاله: 67 |
||