سامانه پشتیبانی خدمات اطلاعات

  اخبار و اعلانات

 آمار

تعداد نشریات161
تعداد شماره‌ها6,533
تعداد مقالات70,519
تعداد مشاهده مقاله124,134,366
تعداد دریافت فایل اصل مقاله97,240,535
روشنگر, کیومرث, داودی, سینا. (1401). مدل‌سازی اکسیژن محلول با استفاده از روش یادگیری عمیق و روش‌های پیش‌پردازنده. , 12(4), 983-890. doi: 10.22059/jwim.2022.345864.1005
کیومرث روشنگر; سینا داودی. "مدل‌سازی اکسیژن محلول با استفاده از روش یادگیری عمیق و روش‌های پیش‌پردازنده". , 12, 4, 1401, 983-890. doi: 10.22059/jwim.2022.345864.1005
روشنگر, کیومرث, داودی, سینا. (1401). 'مدل‌سازی اکسیژن محلول با استفاده از روش یادگیری عمیق و روش‌های پیش‌پردازنده', , 12(4), pp. 983-890. doi: 10.22059/jwim.2022.345864.1005
روشنگر, کیومرث, داودی, سینا. مدل‌سازی اکسیژن محلول با استفاده از روش یادگیری عمیق و روش‌های پیش‌پردازنده. , 1401; 12(4): 983-890. doi: 10.22059/jwim.2022.345864.1005

مدل‌سازی اکسیژن محلول با استفاده از روش یادگیری عمیق و روش‌های پیش‌پردازنده

مدیریت آب و آبیاری
مقاله 12، دوره 12، شماره 4، بهمن 1401، صفحه 983-890    اصل مقاله (2.89 M)
نوع مقاله: مقاله پژوهشی
شناسه دیجیتال (DOI): 10.22059/jwim.2022.345864.1005
نویسندگان
کیومرث روشنگر* ؛ سینا داودی
گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران.
چکیده
آلودگی آب یک مشکل بزرگ جهانی است که به ارزیابی مداوم و تجدیدنظر در سیاست منابع آبی در همه سطوح احتیاج دارد. اکسیژن محلول (DO) یکی از مهم­ترین شاخص­های کیفیت آب است. در مطالعه حاضر، پارامتر کیفی اکسیژن محلول در آب با استفاده از روش هوشمند حافظه طولانی کوتاه‌مدت (LSTM) بر پایه روش­های پیش‌پردازنده تبدیل موجک گسسته (DWT) و روش تجزیه مد تجربی کامل (CEEMD) در دو حالت زمانی و مکانی در پنج ایستگاه متوالی بر روی رودخانه ساواناه مورد بررسی قرار گرفت. نتایج حاصل از تحلیل مدل­ها قابلیت و کارایی بالای روش به‌کاررفته را در تخمین میزان اکسیژن محلول در آب به خوبی نشان داد. از طرفی دیگر روش­های پیش‌پردازنده باعث بهبود نتایج شدند. هم‌چنین در بررسی­های انجام‌شده مشاهده شد که نتایج حاصل از تجزیه براساس تبدیل موجک در مدل‌سازی مکانی، به میزان دو درصد و هم‌چنین تجزیه مد تجربی در مدل‌سازی زمانی، به میزان 15 درصد میزان خطای RMSE را کاهش داد. بهترین حالت ارزیابی برای داده­های آزمون با استفاده از تجزیه مد تجربی در حالت مدل‌سازی زمانی مربوط به یک روز قبل با مقادیر 977/0=DC، 988/0=R و 017/0=RMSE به‌دست آمد. هم‌چنین در مدل‌سازی مکانی جهت تخمین اکسیژن محلول در ایستگاه سوم نیز مشخص شد نتایج حاصل از ورودی­های پارامتر اکسیژن محلول در یک روز قبل ایستگاه دوم و دو روز قبل ایستگاه اول بهترین نتیجه را دارا می­باشد.
کلیدواژه‌ها
اکسیژن محلول؛ تبدیل موجک؛ تجزیه مد تجربی؛ حافظه طولانی کوتاه‌مدت
عنوان مقاله [English]
Dissolved Oxygen Modeling Using Deep Learning and Pre-Processor Methods
نویسندگان [English]
kiyoumars roushangar؛ Sina Davoudi
Department of Water Engineering, Faculty of Civil Engineering, University of Tabriz, Tabriz, Iran.
چکیده [English]
Water pollution is a major global problem that requires constant evaluation and revision of water resources policy at all levels. Dissolved oxygen (DO) is one of the most important indicators of water quality. In the present study, the water quality parameter of dissolved oxygen using intelligent Long Short-Term Memory (LSTM) method based on discrete wavelet transform (DWT) and Complementary Ensemble Empirical Mode Decomposition (CEEMD) pre-processor methods in both temporal and spatial modes. It was investigated in five consecutive stations on the Savannah River. The results of analysis of models showed the ability and high efficiency of the method used in estimating the amount of dissolved oxygen in water. On the other hand, pre-processor methods improved the results. It was also observed in the investigations that the results of analysis based on wavelet transformation in spatial modeling reduced the RMSE error by two percent and also the empirical mode decomposition in temporal modeling by 15 percent. The best evaluation for test data was obtained using the empirical mode decomposition in temporal modeling corresponding to the previous day with values ​​of DC=0.977, R=0.988 and RMSE=0.017. Also, in the spatial modeling to estimate dissolved oxygen in the third station, it was found that the results obtained from the inputs of the dissolved oxygen parameter one day before the second station and two days before the first station have the best results.
کلیدواژه‌ها [English]
Dissolved Oxygen, Empirical Mode Decomposition, Long Short-Term Memory, Wavelet Transform
مراجع
  1. Adamowski, K., Prokoph, A., & Adamowski, J. (2009). Development of a new method of wavelet aided trend detection and estimation. Hydrological Processes, 23, 2686-2696.
  2. Ahmed, A. A. M. (2017). Prediction of dissolved oxygen in Surma River by biochemical oxygen demand and chemical oxygen demand using the artificial neural networks (ANNs). Journal of King Saud University - Engineering Sciences, 29(2), 151-158.
  3. Amirat, Y., Benbouzid, M. E. H., Wang, T., Bacha, K., & Feld, G. (2018). EEMD-based notch filter for induction machine bearing faults detection. Applied Acoustics, 133, 202-209.
  4. Bengio, Y., Simard, P., & Frasconi, P. (1994). Learning long-term dependencies with gradient descent is difficult. IEEE Transactions on Neural Networks, 5(2), 157-166.
  5. Chou, C.-M. (2014). Complexity analysis of rainfall and runoff time series based on sample entropy in different temporal scales. Stochastic Environmental Research and Risk Assessment, 28(6), 1401-1408.
  6. Csábrági, A., Molnár, S., Tanos, P., & Kovács, J. (2017). Application of artificial neural networks to the forecasting of dissolved oxygen content in the Hungarian section of the river Danube. Ecological Engineering, 100, 63-72.
  7. Dabrowski, J. J., Rahman, A., & George, A. (2018). Prediction of Dissolved Oxygen from pH and Water Temperature in Aquaculture Prawn Ponds Proceedings of the Australasian Joint Conference on Artificial Intelligence - Workshops, Wellington, New Zealand.
  8. Elhatip, H., & Kömür, M. (2008). Evaluation of water quality parameters for the Mamasin dam in Aksaray City in the central Anatolian part of Turkey by means of artificial neural networks. Environmental Geology, 53, 1157-1164.
  9. Eze, E. H. S. A. T. (2021). Developing a Novel Water Quality Prediction Model for a South African Aquaculture Farm Water, 13(13).
  10. Fang, X., & Yuan, Z. (2019). Performance enhancing techniques for deep learning models in time series forecasting. Engineering Applications of Artificial Intelligence, 85, 533-542.
  11. Hochreiter, S., & Schmidhuber, J. (1997). Long Short-term Memory. Neural computation, 9, 1735-1780.
  12. Hosseinpanahi, B., Nikmehr, S., & Ebrahimi, K. (2021). Comparison of the support vector machine and radial function neural network models in predicting of SiminehRood river water quality Iran. Water and Irrigation Management, 11(3), 409-419.(In Persian)
  13. Ji, X., Shang, X., Dahlgren, R. A., & Zhang, M. (2017). Prediction of dissolved oxygen concentration in hypoxic river systems using support vector machine: a case study of Wen-Rui Tang River, China. Environmental Science and Pollution Research, 24(19), 16062-16076.
  14. Lau, K. M., & Weng, H. (1995). Climate Signal Detection Using Wavelet Transform: How to Make a Time Series Sing. Bulletin of the American Meteorological Society, 76(12), 2391-2402.
  15. Liu, S., Xu, L., Li, D., Li, Q., Jiang, Y., Tai, H., & Zeng, L. (2013). Prediction of dissolved oxygen content in river crab culture based on least squares support vector regression optimized by improved particle swarm optimization. Computers and Electronics in Agriculture, 95, 82-91.
  16. Niroobakhsh, M. (2012). Prediction of water quality parameter in Jajrood River basin: Application of multi layer perceptron (MLP) perceptron and radial basis function networks of artificial neural networks (ANNs). African Journal of Agricultural Reseearch, 7.
  17. Nourani, V., Hosseini Baghanam, A., Adamowski, J., & Kisi, O. (2014). Applications of hybrid wavelet–Artificial Intelligence models in hydrology: A review. Journal of Hydrology, 514, 358-377.
  18. Palani, S., Liong, S.-Y., Tkalich, P., & Palanichamy, J. (2009). Development of a neural network model for dissolved oxygen in seawater. Indian Journal of Marine Sciences, 38.
  19. Pelletier, G., Chapra, S., & Tao, H. (2006). QUAL2Kw-A Framework for Modeling Water Quality in Streams and Rivers Using a Genetic Algorithm for Calibration. Environmental Modelling and Software, 419-425.
  20. Roushangar, K., & Ghasempour, R. (2020). Monthly precipitation prediction improving using the integrated model based on kernel-wavelet and complementary ensemble empirical mode decomposition. Amirkabir Journal of Civil Engineering, 52(10), 2649-2660.(In Persian)
  21. Roushangar, K., & Shahnazi, S. (2019). Evaluating the Performance of Data-Driven Methods for Prediction of Total Sediment Load in Gravel-Bed Rivers [Article]. IRANIAN JOURNAL OF SOIL AND WATER RESEARCH, 50(p00814), 1467-1477.(In Persian)
  22. Sagheer, A., & Kotb, M. (2019). Time series forecasting of petroleum production using deep LSTM recurrent networks. Neurocomputing, 323, 203-213.
  23. Shi, P., Li, G., Yuan, Y., Huang, G., & Kuang, L. (2019). Prediction of dissolved oxygen content in aquaculture using Clustering-based Softplus Extreme Learning Machine. Computers and Electronics in Agriculture, 157, 329-338.
  24. Soyupak, S., Karaer, F., Gürbüz, H., Kivrak, E., Sentürk, E., & Yazici, A. (2003). A neural network-based approach for calculating dissolved oxygen profiles in reservoirs. Neural Computing & Applications, 12(3), 166-172.
  25. Wool, T., Ambrose, R., Martin, J., & Comer, A. (2020). WASP 8: The Next Generation in the 50-year Evolution of USEPA’s Water Quality Model. Water, 12, 1398.
  26. Wu, Z., & Huang, N. (2004). A study of the characteristics of white noise using the empirical mode decomposition method. Proceedings of The Royal Society A: Mathematical, Physical and Engineering Sciences, 460, 1597-1611.
  27. Xu, C., Chen, X., & Zhang, L. (2021). Predicting river dissolved oxygen time series based on stand-alone models and hybrid wavelet-based models. Journal of Environmental Management, 295, 113085.
  28. Yadav, B., & Eliza, K. (2017). A hybrid wavelet-support vector machine model for prediction of Lake water level fluctuations using hydro-meteorological data. Measurement, 103, 294-301. 
آمار
تعداد مشاهده مقاله: 685
تعداد دریافت فایل اصل مقاله: 269


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب