پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,496 |
| تعداد مقالات | 70,218 |
| تعداد مشاهده مقاله | 123,397,774 |
| تعداد دریافت فایل اصل مقاله | 96,621,568 |
پیش‌بینی کیفی رودخانه‌ها با استفاده از سیستم استنتاج فازی-عصبی تطبیقی | ||
| محیط شناسی | ||
| مقاله 1، دوره 36، شماره 53، خرداد 1389 اصل مقاله (511.52 K) | ||
| نویسنده | ||
| حمیدرضا صفوی | ||
| دانشیار دانشکدة مهندسی عمران، دانشگاه صنعتی اصفهان | ||
| چکیده | ||
| اخیرأ استفاده از مدل‌های ریاضی برای شبیه‌سازی کیفیت آب رودخانه‌ها توسعه زیادی یافته که به دلیل پیچیدگی و تعدد فرایندهای کیفی منابع آب سطحی و وجود ضرایب و ثابت‌های شیمیایی و بیولوژیکی متعدد، استفاده از سیستم استنباط فازی-عصبی تطبیقی، روشی نو جهت پیش‌بینی کیفی رودخانه‌هاست. در این مقاله ضمن بیان مبانی این سیستم به‌منظور پیش‌بینی کیفی آبهای سطحی، کاربرد آن با مجموعه‌ای از داده‌های 16 ساله از اکسیژن محلول(DO) و اکسیژن مورد نیاز بیوشیمیایی(BOD) از رودخانة زاینده رود نشان داده شده است. فرایند توسعه و ارزیابی سه نوع مدل سیستم استنتاج فازی-عصبی تطبیقی در پیش‌بینی (BOD)براساس مجموعه عوامل مؤثر در یک و دو ایستگاه قبل نشان داد که دبی، درجة حرارت و مقدار اکسیژن مورد نیاز بیوشیمیایی در یک و دو ایستگاه قبل با مقدار ضریب تبیین 953/0 در مرحلة واسنجی و 931/0 در مرحلة اعتبارسنجی مناسب‌ترین مدل و برای پیش‌بینی اکسیژن محلول عوامل سرعت، عمق، درجة حرارت، عرض در سطح آب و اکسیژن محلول در یک ایستگاه قبل با مقدار ضریب تبیین 921/0 در مرحلة واسنجی و 904/0 در مرحلة اعتبارسنجی، مناسب‌ترین مدل است. در نهایت مقادیر پیش‌بینی شده بهنگام توسط مدل‌ها با مقادیر اندازه‌گیری شده مقایسه شد و نشان داده شد که سیستم استنباط فازی عصبی-تطبیقی عملکرد مناسبی دارد. استفاده از سیستم استنتاج فازی-عصبی تطبیقی می‌تواند به عنوان رهیافت کاربردی جدیدی در پیش‌بینی وضعیت کیفی رودخانه‌هایی که داده‌های کافی برای مراحل آموزش، واسنجی و اعتبارسنجی دارند، مطرح باشد. هرچند ساخت مدل‌های پیش‌بینی کیفی رودخانه‌ها با این سیستم نیاز به متخصص خبره و حجم داده‌پردازی زیاد دارد، ولی دقت پیش‌بینی آنها بسیار مناسب است. | ||
| کلیدواژه‌ها | ||
| رودخانة زاینده رود؛ شبکة عصبی؛ کیفیت آب؛ مدیریت منابع آب؛ منطق فازی | ||
| عنوان مقاله [English] | ||
| Prediction of River Water Quality by Adaptive Neuro Fuzzy Inference System (ANFIS) | ||
| نویسندگان [English] | ||
| Hamid Reza Safavi | ||
| چکیده [English] | ||
| Limitations on freshwater resources have caused water resources managers to focus an increasing attention over the past few decades on water quality protection. Surface water quality management in such resources as rivers, seas, lakes, and estuaries is of a greater importance than other water resources and a greater number of studies have been conducted on them as they are more accessible and, therefore, more directly exposed to a variety of contaminants and pollutants. Application of appropriate and efficient mathematical models for river water quality simulation is essential for the formulation of comprehensive guidelines used in evaluating measures that are employed for river pollution control and management. The non-linear equations dominating pollutant transfer phenomena in rivers, the complexity of their simultaneous solution, and the multiplicity of kinetic constants and coefficients have made it difficult, or at times impossible, to use physically-based models and methods for this purpose. Therefore, most of these models can only be applied to simplified cases or to situations where the models are strictly calibrated and validated, with no adequate accuracy when applied to unrestricted conditions. The uncertainties in water quality problems have made fuzzy inference systems, especially as combined with adaptive neural networks, to be used as a novel approach. The main objective of the present study is to exploit the capabilities of the adaptive neuro-fuzzy inference system (ANFIS) for river quality predictions with emphasis on DO and BOD. In the case study carried out on the Zayandehroud River, BOD predictions were obtained by the proposed system with a correlation coefficient of 0.953 in the calibration stage and 0.931 in the validation stage and DO predictions were obtained with a correlation coefficient of 0.921 in the calibration stage and 0.904 in the validation stage. Comparison of the results reveals the high accuracy level of the proposed model. | ||
| کلیدواژه‌ها [English] | ||
| Fuzzy logic, Neural Network, Water quality, water resources management, Zayandehrood River | ||
|
آمار تعداد مشاهده مقاله: 2,947 تعداد دریافت فایل اصل مقاله: 2,083 |
||