آمار
| تعداد نشریات | 43 |
| تعداد شماره‌ها | 1,253 |
| تعداد مقالات | 15,411 |
| تعداد مشاهده مقاله | 51,245,841 |
| تعداد دریافت فایل اصل مقاله | 14,253,993 |
استفاده از مدل هوش مصنوعی مرکب نظارت شده برای پیشبینی سطح آب زیرزمینی | ||
| نشریه مهندسی عمران و محیط زیست دانشگاه تبریز | ||
| مقاله 9، دوره 46.3، شماره 84، آذر 1395، صفحه 101-112 اصل مقاله (1021.95 K) | ||
| نوع مقاله: یادداشت پژوهشی | ||
| نویسندگان | ||
| عطاالله ندیری* 1؛ فاطمه واحدی2؛ اصغر اصغری مقدم1؛ علی کدخدایی1 | ||
| 1دانشکده علوم طبیعی، دانشگاه تبریز | ||
| 2دانشجوی کارشناسی ارشد دانشکده علوم طبیعی، دانشگاه تبریز | ||
| چکیده | ||
| منابع آب زیرزمینی از مهمترین منابع تأمین آب هستند، لذا مدلسازی آنها حائز اهمیت میباشد. در این میان مطالعه و بررسی نوسانات سطح آب زیرزمینی از نظر مطالعات مدیریتی، ایجاد سازههای مهندسی، مصارف کشاورزی و حصول آبهای زیرزمینی با کیفیت بالا از اهمیت بالایی برخوردار است. عمده تقاضا برای آب شرب و کشاورزی در دشت مشگینشهر نیز از طریق آب زیرزمینی تأمین میشود. در این تحقیق چهار مدل هوش مصنوعی که عبارتند از شبکه عصبی پیشرو، شبکه عصبی برگشتی، منطق فازی ساگنو و ماشینبردار پشتیبان برای پیشبینی سطح آب زیرزمینی استفاده شدند. با توجه به نزدیک بودن نتایج به دست آمده و با توجه به این مسئله که مدلهای مختلف در مراحل مختلف مدلسازی نتایج متفاوتی ارائه دادند، انتخاب یکی از مدلها به عنوان مدل منتخب معقول به نظر نمیرسید. لذا از ترکیب غیر خطی این چهار مدل که مدل هوش مصنوعی مرکب نظارت شده نامیده میشود، برای ترکیب نتایج این مدلها استفاده شد تا نتایج به دست آمده تقویت شده و از توانایی مدلهای مختلف به طور همزمان استفاده شود. به منظور ارزیابی کارایی و دقت مدلها در پیشبینی، از دو معیار مختلف RMSE و R2 استفاده شد. نتایج نشان دادند که مدل SCMAI با مقادیر R2 برابر 85/0 و 90/0 به ترتیب برای پیزومترهای شماره 1 و 2 در مرحله آموزش بهترین پیشبینی را نسبت به هر کدام از چهار مدل منفرد هوش مصنوعی ارائه کرده است. همچنین مدل SCMAI توانست RMSE پیشبینی را تا 9% درصد برای پیزومتر شماره یک و 17% درصد برای پیزومتر شماره دو کاهش دهد. | ||
| کلیدواژه‌ها | ||
| سطح آب زیرزمینی؛ شبکه عصبی مصنوعی؛ فازی؛ ماشین بردار پشتیبان؛ مدل هوش مصنوعی مرکب | ||
| مراجع | ||
|
[1] Gardner-Outlaw, T., Engelman, R., "Sustaining Water, Easing Scarcity: A Second Update", Population International, Washington DC, 1997.
[2] Ning, R., "Reverse Osmosis Process Chemistry Relevant to the Gulf", Desalination, 1999, 123 (2-3), 157-164.
[3] Mohsen, M. S., Al-Jayyousi, O. R., "Brackish Water Desalination: An Alternative for Water Supply Enhancementin Jordan", Desalination, 1999, 124, 163-174.
[4] Vergili, I., Kaya, Y., Sen, U., Gönder, Z. B., Aydiner, C., "Techno-Economic Analysis of Textile Dye Bath Wastewater Treatment by Integrated Membrane Processes under the Zero Liquid Discharge Approach", Resources, Conservation and Recycling, 2012, 58, 25-35.
[5] Li, M., "Reducing Specific Energy Consumption in Reverse Osmosis (RO) Water Desalination: An analysis from First Principles”, Desalination, 2011, 276 (1–3), 128-135.
[6] Bond, R., Veerapaneni, S., "Zero Liquid Discharge for Inland Desalination", Awwa Research Foundation, US, 2007.
[7] Ning, Y. R., Troyer, T. L., "Tandom Reverse Osmosis Pprocess for Zero-Liquid Discharge", Desalination, 2009, 237 (1-3), 238-242.
[8] Oren, Y., Korngold, E., Daltrophe, N., Messalem, R., Volkman, Y., Aronov, L., Weismann, M., "Pilot Studies on High Recovery BWRO-EDR for Near Zero Liquid Discharge Approach", Desalination, 2010, 261 (3), 321-330.
[9] Nadeem, A. M., Khan, S. H., Mushtaq, S. H., "Management of Treated Pulp and Paper Mill Effluent to Achieve Zero Discharge", Journal of Environmental Management, 2008, 88 (4), 1285-1299.
[10] Ning, R. Y., Tarquin, A., Trzcinski, M. C., Patwardhan, G., "Recovery Optimization of RO Concentrates from Desert Wells", Desalination, 2006, 20, 315-322.
[11] Sheikholeslami, R., Tan, S., "Effects of Water Quality on Silica Fouling of Desalination Plants", Desalination, 1999, 126, 267-280.
[12] Sheikholeslami, R., "Nucleation and Kinetics of Mixed Salts in Scaling", AIChE Journal, 2003, 49, 194-202. | ||
|
آمار تعداد مشاهده مقاله: 1,656 تعداد دریافت فایل اصل مقاله: 1,732 |
||