تعداد نشریات | 44 |
تعداد شمارهها | 1,323 |
تعداد مقالات | 16,270 |
تعداد مشاهده مقاله | 52,954,109 |
تعداد دریافت فایل اصل مقاله | 15,624,793 |
ارزیابی کارایی شبکه عصبی مصنوعی در پیش بینی شاخص های کیفی ( DO و BOD ) آب رودخانۀ دره مرادبیک همدان | ||
دانش آب و خاک | ||
مقاله 14، دوره 20، شماره 3، آبان 1389، صفحه 199-210 اصل مقاله (288.44 K) | ||
نوع مقاله: مقاله پژوهشی | ||
نویسندگان | ||
احسان علیائی1؛ حسین بانژاد* 2؛ محمدتقی صمدی3؛ علیرضا رحمانی4؛ محمدحسین ساقی5 | ||
1گروه مهندسی آب دانشگاه بوعلی سینا | ||
2گروه مهندسی آب، دانشگاه بوعلی سینا | ||
3گروه مهندسی بهداشت محیط، دانشگاه بوعلی سینا | ||
4گروه مهندسی بهداشت محیط دانشگاه بوعلی سینا | ||
5گروه مهندسی بهداشت محیط دانشگاه علوم پزشکی همدان | ||
چکیده | ||
یکی از عوامل مهم توسعه در هر منطقه فراهم بودن منابع آب مناسب میباشد. در این راستا علاوه بر کمیت، توجه به وضع کیفی آن نیز از اهمیت شایانی برخوردار است. هدف از این تحقیق کاربرد مدل شبکۀ عصبی پرسپترون چند لایه در مدلسازی شاخصهای کیفی آب رودخانهها است. در این مطالعه از اطلاعات و دادههای شامل 10 متغیر کیفی ماهانۀ آب رودخانۀ دره مراد بیک همدان در طول یک سال و در شش ایستگاه برای مدلسازی اکسیژن مورد نیاز بیولوژیکی بعنوان شاخصهای مؤثر بر کیفیت آب استفاده شد. کارایی مدل شبکههای عصبی (DO) و اکسیژن محلول (BOD) (MAE) و میانگین قدرمطلق خطا (RMSE) ریشۀ مربع میانگین خطا ، (R) توسط معیارهای آماری ضریب همبستگی 0 و / ضریب همبستگی به ترتیب 986 DO و BOD مورد ارزیابی قرار گرفت. با ساختار شبکه بهینه برای مدلسازی 0 بدست آمدند. نتایج برآمده از این مطالعه نشان دهندة کارایی / 8 و 84 / 0/969 و ریشه مربعات خطا به ترتیب 42 DO و BOD مناسب شبکه عصبی پرسپترون چند لایه بعنوان تکنیکی برتر برای شبیهسازی تغییرات شاخصهای | ||
کلیدواژهها | ||
رودخانه مراد پیک؛ شاخص های کیفیت آب؛ شبکه عصبی مصنوعی؛ DO؛ BOD | ||
مراجع | ||
علیائی ا، قربانی م ع و جباری خامنه ح، 1387 . عملکرد حافظه اتورگرسیو و شبکههای عصبی مصنوعی در پیش بینی جریان روزانه رودخانه لیقوان. مجموعه مقالات سومین کنفرانس مدیریت منابع آب ایران (لوح فشرده). دانشکده مهندسی عمران دانشگاه تبریز. Bowers JA and Shedrow CB, 2000. Predicting stream water quality using artificial neural networks.WSRC-MS-2000-00112. Chen JC, Chang NB and ShiehWK, 2003.Assessing wastewater reclamation potential by neural network model. Engin Appl Artif Intell 166: 149–57. Hore A, Dutta S, Datta S and Bhattacharjee C, 2008. Application of an artificial neural network in wastewater quality monitoring: prediction of water quality index. International. Journal of Nuclear Desalination (IJND) 3: 160 - 74. Huiqun M and Ling L, 2008. Water quality assessment using artificial neural network. pp.13-5. International Conference on Computer Science and Software Engineering. Washington, DC, USA. Kunwar P, Singh AB, Amrita M and Gunja J, 2009. Artificial neural network modeling of the river water quality—A case study. Ecol Model 220:888–95. Kuo Y, Liu C and Lin KH, 2004. Evaluation of the ability of an artificial neural network model to assess the variation of groundwater quality in an area of blackfoot disease in Taiwan. Water Res 38: 148–58. Kuo J, Hsieh M, Lung W and She N, 2007. Using artificial neural network for reservoir eutriphication prediction. EcolModel 200: 171–7. Kurunc A, Yurekli K and Cevik O, 2005. Performance of two stochastic approaches for forecasting water quality and stream flow data fromYesilirmak River. Turkey Environ Model Software. 20: 1195–200. May D and Sivakumar M, 2009. Prediction of urban storm water quality using artificial neural networks. Environ Model Software. 24: 296-302. Najah A, Elshafie A, Karim O and Jaffar O, 2009. Prediction of Johor river water quality parameters using artificial neural networks. Europ J Sci Res 28: 422-35. | ||
آمار تعداد مشاهده مقاله: 3,352 تعداد دریافت فایل اصل مقاله: 1,213 |