مقایسه عملکرد روشهای یادگیری عمیق و یادگیری ماشین در پیشبینی میزان اکسیژن محلول | ||
| تحقیقات آب و خاک ایران | ||
| دوره 53، شماره 8، آبان 1401، صفحه 1885-1900 اصل مقاله (2.3 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2022.344088.669288 | ||
| نویسندگان | ||
| کیومرث روشنگر* 1؛ سینا داودی2 | ||
| 1استاد، گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران | ||
| 2دانشجوی کارشناسی ارشد آب و سازههای هیدرولیکی، گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران | ||
| چکیده | ||
| پیشبینی کیفیت آب نقش مهمی در پایش زیست-محیطی، پایداری اکوسیستم و آبزیپروری ایفا میکند. روشهای پیشبینی سنتی نمیتوانند غیر خطی و غیر ثابت بودن کیفیت آب را به خوبی نشان دهند. در مطالعه حاضر پارامتر کیفی اکسیژن محلول در آب با استفاده از روشهای هوشمند ماشین بردار پشتیبان (SVM)، رگرسیون فرآیند گاوسی (GPR) و روش حافظه طولانی کوتاه-مدت (LSTM) بر روی سه ایستگاه متوالی بر روی رودخانه ساواناه واقع در ایالات متحده آمریکا مدلسازی شد. بدین منظور شش پارامتر هیدرولیکی و هیدرولوژیکی جریان شامل دمای آب، کدورت، دبی، میانگین سرعت جریان، pH و رسانایی ویژه در مدت هفت سال (2015-2021) به صورت روزانه به عنوان پارامترهای ورودی، جهت مدلسازی اکسیژن محلول به کار گرفته شدند. نتایج نشاندهنده برتری کامل روش یادگیری عمیق بر روشهای یادگیری ماشین بود. با توجه به نتایج بدست آمده روش حافظه طولانی کوتاه-مدت برای مدل آخر که شامل تمامی پارامترها بود در ایستگاه سوم با دارا بودن ضریب همبستگی و ضریب تبیین و جذر میانگین مربعات خطا به ترتیب 981/0R= و 956/0DC= و 034/0RMSE= برای دادههای آزمون از عملکرد بهتری برخوردار بود. در نهایت با انجام تحلیل حساسیت، با حذف پارامتر دمای آب، مشخص گردید معیارهای ارزیابی DC، به میزان 14% کاهش و RMSE، به میزان 100% افزایش داشت. بنابراین دمای آب به عنوان تأثیرگذارترین پارامتر در پیشبینی اکسیژن محلول در آب معرفی شد. | ||
| کلیدواژهها | ||
| پارامتر اکسیژن محلول؛ حافظه طولانی کوتاه-مدت؛ رگرسیون فرآیند گاوسی؛ کیفیت آب؛ ماشین بردار پشتیبان | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,451 تعداد دریافت فایل اصل مقاله: 709 |
||