تخمین ضریب پراکندگی طولی آلاینده ها در رودخانه های طبیعی با استفاده از رویکرد هوشمند داده محور GMDH

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 210

فایل این مقاله در 13 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IDJ-10-5_003

تاریخ نمایه سازی: 23 اردیبهشت 1400

چکیده مقاله:

تخمین دقیق ضریب پراکندگی طولی آلاینده­ها در اغلب مسائل هیدرولیکی و زیست­محیطی رودخانه مانند مهندسی رودخانه، طراحی آبگیر، مدل­سازی جریان در دلتاها و ارزیابی ریسک ناشی از تزریق آلاینده­ها به جریان رودخانه دارای اهمیت خاصی می­باشد. بررسی تحقیقات اخیر نشان می­دهد که استفاده از روش­های داده­محور باعث افزایش دقت و صحت تخمین ضریب پراکندگی طولی آلاینده­ها در رودخانه­های طبیعی شده است. در این تحقیق توانایی و عملکرد روش هوشمند داده­محور برخورد گروهی با داده­ها(GMDH) در تخمین ضریب پراکندگی طولی مورد بررسی قرار گرفته است. مجموعه­ای از ۷۱ داده مشاهداتی از رودخانه­های مختلف گردآوری شده که ۵۱ داده برای آموزش و ۲۰ داده باقی­مانده برای آزمون مدل استفاده شده است. متغیرهای هیدرولیکی و هندسی ورودی مدل شامل عمق متوسط جریان(H)، عرض آبراهه(W)، سرعت متوسط طولی جریان(U)، سینوسیتی آبراهه(σ) و سرعت برشی متوسط بستر(U*) و متغیر خروجی ضریب پراکندگی طولی(Kx) می­باشند. یک برنامه کامپیوتری در محیط برنامه­نویسی نرم­افزار MATLAB برای مدل­سازی ضریب پراکندگی طولی بر اساس رویکرد هوشمند داده­محور GMDH  تهیه شده است. بررسی عملکرد مدل توسعه داده شده با استفاده از معیارهای آماری R۲، RMSE، CC و DR حاکی از عملکرد بسیار بالای مدل GMDH در تخمین ضریب پراکندگی طولی در رودخانه دارد. همچنین مقایسه نتایج روش GMDH با چند رابطه تجربی و چند روش داده­محور دیگر مانند شبکه­های عصبی(ANN)، ماشین بردار پشتیبان(SVM) و الگوریتم ژنتیک(GA) بیانگر شناسایی صحیح الگوی حاکم بر فرایند پراکندگی طولی آلاینده­ها در رودخانه­های طبیعی توسط مدل توسعه داده شده می­باشد. مقادیر شاخص­های آماری RMSE، R۲ و CC در مدل GMDH به ترتیب برابر با ۵/۲۱، ۹۹/۰ و ۹۹۵/۰ به دست آمده­ است که حاکی از عملکرد مناسب مدل ارایه شده در تخمین ضریب پراکندگی طولی آلاینده­ها در رودخانه­های طبیعی می­باشد

کلیدواژه ها:

نویسندگان

کورش قادری

استادیار بخش مهندسی آب، دانشکده کشاورزی، دانشگاه شهید باهنر کرمان، کرمان، ایران

مریم حسین زاده

فارغ التحصیل کارشناسی ارشد مهندسی منابع آب، دانشگاه شهید باهنر کرمان، کرمان، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • ایوانی،ز. ۱۳۹۲. برآورد نرخ انتقال رسوب در رودخانه کرج با ...
  • پورآباده­ای،م.، تکلدانی،م و لیاقت،ع. ۱۳۸۶ بررسی تاثیر پارامترهای جریان بر ...
  • پورنعمت رودسری،ع.، قادری،ک و کریمی،ش. ۱۳۹۳. شبیه­سازی فرایند بارش-رواناب با ...
  • توکلی زاده،ا.ع و کاشفی­پور،س.م. ۱۳۸۵. تاثیر ضریب پخشیدگی بر مدل­سازی ...
  • حسین­زاد،م. ۱۳۹۲. مدل­سازی رابطه دبی-اشل با استفاده از روش­های محاسبات ...
  • ریاحی مدوار،ح و ایوب­زاده،ع. ۱۳۸۷. تخمین ضریب پراکندگی طولی با ...
  • صدیق­نژاد،ح و کاشفی­پور،س.م. ۱۳۸۵. مقایسه نتایج مدل­های انتشار و انتقال ...
  • قادری،ک.، عرب،د.، تشنه­لب،م و قزاق،آ. ۱۳۸۹. مدل­سازی بهره­برداری هوشمند از ...
  • Adrash,S. ۲۰۱۰. Prediction of longitudinal dispersion coefficient in natural channels ...
  • Azamathulla,H.M and Ghani,A.A. ۲۰۱۱. Genetic programming for predicting longitudinal dispersion ...
  • Cheong,T.S and Seo,IW. ۲۰۰۳. Parameter estimation of transient storage model ...
  • Cheong,T.S., Younis,B.A and Seo,I. ۲۰۰۷. Estimation of key parameters in ...
  • Hwang,H.S. ۲۰۰۶. Fuzzy GMDH-type Neural Network Model and its Application ...
  • Ivakhnenko,A.G. ۱۹۶۸. The group method of data handling – a ...
  • Ivakhnenko,A.G and Ivakhnenko,G.A. ۱۹۹۵. The review of problems solvable by ...
  • Kashefipour,M.S and Falconer,R.A. ۲۰۰۲. Longitudinal dispersion coefficients in natural channels. ...
  • Muller,J.A and Ivakhnenko,A.G. ۱۹۹۶. Self-organizing modeling in analysis and prediction ...
  • Nariman Zadeh,N., Darvizhe,A and Gharabaghi,H. ۲۰۰۲. Modeling of Explosive Cutting ...
  • Nikolaev,Y and Hitoshi,I. ۲۰۰۳. Polynomial Harmonic GMDH Learning Networks for ...
  • Rowinski,P.M and Piotrowski,A. ۲۰۰۸. Estimation of parameters of the transient ...
  • Sahay,R.R. ۲۰۱۱. Prediction of longitudinal dispersion coefficients in natural rivers ...
  • Sahay,R.R. ۲۰۱۲. Predicting Transient Storage Model Parameters of Rivers by ...
  • Sanchez,E., Shibata,T and Zadeh,L.A. ۱۹۹۷. Genetic algorithms and fuzzy logic ...
  • Seo,I.W., Baek,K.O. ۲۰۰۴. Estimation of longitudinal dispersion coefficient in natural ...
  • Seo,I.W., Cheong,T.S. ۱۹۹۸. Predicting longitudinal dispersion coefficient in natural streams. ...
  • Sumsudin,R., Saad,P and Shabri,A. ۲۰۱۰. A hybrid least square support ...
  • Tayfur,G and Singh,V.P. ۲۰۰۵. Predicting longitudinal dispersion coefficient in natural ...
  • Toprak,Z.F and Cigizoglu,H.K. ۲۰۰۸. Predicting longitudinal dispersion coefficient in natural ...
  • نمایش کامل مراجع