مقایسه عملکرد روش های یادگیری عمیق و یادگیری ماشین در پیشبینی میزان اکسیژن محلول

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 106

فایل این مقاله در 16 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IJSWR-53-8_012

تاریخ نمایه سازی: 31 اردیبهشت 1402

چکیده مقاله:

پیش بینی کیفیت آب نقش مهمی در پایش زیست -محیطی، پایداری اکوسیستم و آبزی پروری ایفا می کند. روش های پیش بینی سنتی نمی توانند 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 روش های 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 مدل سازی 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 (۲۰۱۵-۲۰۲۱) به صورت روزانه به عنوان پارامترهای ورودی، جهت مدل سازی اکسیژن محلول به کار گرفته شدند. نتایج نشان دهنده برتری کامل روش یادگیری عمیق بر روش های 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 ۹۸۱/۰R= و ۹۵۶/۰DC= و ۰۳۴/۰RMSE= برای داده های آزمون از عملکرد بهتری برخوردار بود. در نهایت با انجام تحلیل حساسیت، با حذف پارامتر دمای آب، مشخص گردید معیارهای ارزیابی DC، به میزان ۱۴% کاهش و RMSE، به میزان ۱۰۰% افزایش داشت. بنابراین دمای آب به عنوان تاثیرگذارترین پارامتر در پیش بینی اکسیژن محلول در آب معرفی شد.

نویسندگان

کیومرث روشنگر

استاد، گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران

سینا داودی

دانشجوی کارشناسی ارشد آب و سازه های هیدرولیکی، گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، 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 :
  • Adamowski, J., Adamowski, K., & Bougadis, J. (۲۰۱۰). Influence of ...
  • Ahmed, A. A. M. (۲۰۱۷). Prediction of dissolved oxygen in ...
  • Aizenberg, I., Aizenberg, N. N., & Vandewalle, J. P. L. ...
  • Bengio, Y., Simard, P., & Frasconi, P. (۱۹۹۴). Learning long-term ...
  • Chen, M., Pennington, J., & Schoenholz, S. (۲۰۱۸, ۲۰۱۸). Dynamical ...
  • Chung, C.-C., Chen, H.-H., & Ting, C.-H. (۲۰۱۰). Grey prediction ...
  • Csábrági, A., Molnár, S., Tanos, P., & Kovács, J. (۲۰۱۷). ...
  • Elhatip, H., & Kömür, M. (۲۰۰۸). Evaluation of water quality ...
  • Emamgholizadeh, S., Kashi, H., Marofpoor, I., & Zalaghi, E. (۲۰۱۴). ...
  • Fang, X., & Yuan, Z. (۲۰۱۹). Performance enhancing techniques for ...
  • Graves, A., & Schmidhuber, J. (۲۰۰۵). Framewise phoneme classification with ...
  • Haidary, A., Amiri, B. J., Adamowski, J., Fohrer, N., & ...
  • Han, D., Chan, L., & Zhu, N. (۲۰۰۷). Flood forecasting ...
  • Heddam, S. (۲۰۱۴). Modeling hourly dissolved oxygen concentration (DO) using ...
  • Hochreiter, S., & Schmidhuber, J. (۱۹۹۷). Long Short-term Memory. Neural ...
  • Huan, J., Cao, W., & Qin, Y. (۲۰۱۸). Prediction of ...
  • Huan, J., & Liu, X. (۲۰۱۶). Dissolved oxygen prediction in ...
  • Kayacan, E., Ulutas, B., & Kaynak, O. (۲۰۱۰). Grey system ...
  • Khotimah, W. N. (۲۰۱۵). Aquaculture water quality prediction using smooth ...
  • Li, X., & Song, J. (۲۰۲۰, ۲۰۱۵). A New ANN-Markov ...
  • Liu, S., Xu, L., Jiang, Y., Li, D., Chen, Y., ...
  • Liu, S., Xu, L., Li, D., & Zeng, L. (۲۰۱۲). ...
  • Najah, A., El-Shafie, A., Karim, O. A., & El-Shafie, A. ...
  • Niroobakhsh, M. (۲۰۱۲). Prediction of water quality parameter in Jajrood ...
  • Ömer Faruk, D. (۲۰۱۰). A hybrid neural network and ARIMA ...
  • Pal, M., & Deswal, S. (۲۰۱۰). Modelling pile capacity using ...
  • Palani, S., Liong, S.-Y., Tkalich, P., & Palanichamy, J. (۲۰۰۹). ...
  • Pelletier, G., Chapra, S., & Tao, H. (۲۰۰۶). QUAL۲Kw — ...
  • Qin, Y., Song, D., Chen, H., Cheng, W., Jiang, G., ...
  • Rasmussen, C. E. (۲۰۰۴, ۲۰۰۳). Gaussian processes in machine learning ...
  • Roushangar, k., & Chamani, m. (۲۰۲۰). Prediction of River Discharge ...
  • Roushangar, K., & Joulazadeh, S. (۲۰۲۲). Investigation of the Effects ...
  • Roushangar, K., & Shahnazi, S. (۲۰۱۹). Evaluating the Performance of ...
  • Sadeghi, H., Sohrabi Vafa, H., & Nouri, F. (۲۰۱۳). Applications ...
  • Sagheer, A., & Kotb, M. (۲۰۱۹). Time series forecasting of ...
  • Shi, P., Li, G., Yuan, Y., Huang, G., & Kuang, ...
  • Singh, K. P., Basant, A., Malik, A., & Jain, G. ...
  • Soyupak, S., Karaer, F., Gürbüz, H., Kivrak, E., Sentürk, E., ...
  • Sun, M., Hassan, S. G., & Li, D. (۲۰۱۶). Models ...
  • U.S. Geological Survey. (۲۰۲۰). National Water Information System data available ...
  • Wool, T., Ambrose, R., Martin, J., & Comer, A. (۲۰۲۰). ...
  • Xue, H., Wang, L., & Li, D. (۲۰۱۳, ۲۰۱۳//). Design ...
  • Yang, D., Zhang, X., Pan, R., Wang, Y., & Chen, ...
  • نمایش کامل مراجع