آمار
| تعداد نشریات | 43 |
| تعداد شماره‌ها | 1,230 |
| تعداد مقالات | 15,123 |
| تعداد مشاهده مقاله | 50,633,821 |
| تعداد دریافت فایل اصل مقاله | 13,721,085 |
ارزیابی عملکرد شبکه عصبی مصنوعی در پیشبینی اکسیژن محلول و فسفر کل در حوضه آبریز سد ایلام | ||
| دانش آب و خاک | ||
| مقاله 13، دوره 27، شماره 1، خرداد 1396، صفحه 159-172 اصل مقاله (462.98 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| نویسندگان | ||
| فرشته نورمحمدی ده بالایی* 1؛ میترا جوان2؛ مهوش نورمحمدی دهبالایی3؛ افشین اقبالزاده4 | ||
| 1کارشناس ارشد مهندسی عمران/ دانشگاه رازی کرمانشاه | ||
| 22- استادیار، گروه مهندسی عمران، دانشکده فنی، دانشگاه رازی کرمانشاه | ||
| 33- کارشناس مهندسی بهداشت محیط، اداره کل آموزش فنی و حرفهای استان ایلام | ||
| 44- استادیار، گروه مهندسی عمران، دانشکده فنی، دانشگاه رازی کرمانشاه | ||
| چکیده | ||
| در این تحقیق از مدل شبکه عصبی پرسپترون چند لایه(MLP-NN) برای شبیهسازی اکسیژن محلول و فسفر کل در حوضه آبریز سد ایلام استفاده شد. مدل شبکه عصبی با استفاده از دادههای آزمایشگاهی سه زیرحوضه سد ایلام در سالهای 89-1388 طراحی گردید. متغیرهای ورودی شبکه عصبی برای مدلسازی اکسیژن محلول شامل اسیدیته آب، هدایت الکتریکی، کل جامدات معلق، دما، فسفر کل، سولفات، آمونیوم، آهن و نیتروژن کل بودند. متغیرهای ورودی برای شبکه عصبی برای مدلسازی فسفر کل شامل فسفات و دما است که در یک نقطه در نزدیکی محل بدنه سد و در عمقهای مختلف اندازهگیری شدهاند. عملکرد مدلها با استفاده از شاخصهای ضریب تبیین (R2)، خطای نسبی و مجموع مربعات خطا(SSE) ارزیابی شد. با توجه به نتایج شبکه عصبی تمامی متغیرهای در نظر گرفته شده بر روی مدلسازی اکسیژن محلول مؤثر بوده و مؤثرترین پارامتر میزان کل جامدات معلق بود. در مدلسازی فسفر کل نیز فسفات مؤثرتر از دما بود. ضریب تبیین بهدست آمده بین مقادیر شبکه عصبی و مقادیر اندازهگیری شده برای اکسیژن محلول813/0 و برای فسفر کل 940/0 بود. در ادامه، نتایج حاصل از مدلهای شبکه عصبی با نتایج حاصل از مدل دوبعدی متوسطگیری شده عرضی CE-QUAL-W2 مقایسه شده است. براساس نتایج، مدل پرسپترون چند لایه (MLP) در پیشبینی متغیرهای کیفیت آب دقت بالاتری را نسبت به مدل عددی نشان داد. نتایج همچنین نشان داد که شبکه عصبی قادر به پیشبینی تغذیهگرایی با دقت قابل قبولی است و میتوان از آن بهعنوان یک ابزار مفید برای مدیریت کیفی آب مخازن استفاده نمود. | ||
| کلیدواژه‌ها | ||
| اکسیژن محلول؛ حوضه سد ایلام؛ فسفر کل؛ مدل پرسپترون چند لایه؛ CE-QUAL-W2 | ||
| مراجع | ||
|
بینام، ۱۳۸۹. گزارش مطالعات تکمیلی آب شرب سد ایلام. وزارت نیرو، شرکت آب منطقهای ایلام. ترابیان ع و هاشمی سح، 1381. مدلسازی آبهای سطحی: ثابتها، سینتیکها و نرخها. انتشارات دانشگاه تهران. علیائی ا، بانژاد ح، صمدی مت، رحمانی ع و ساقی مح، 1389. ارزیابی کارآیی شبکه عصبی مصنوعی در پیشبینی شاخصهای کیفی(DO, BOD) آب رودخانه دره مرادبیک همدان. نشریه دانش آب و خاک، جلد 1/20، شماره 3، صفحههای 199 تا 210. کار آموز م و کراچیان ر، 1390. برنامهریزی و مدیریت کیفی سامانههای منابع آب. انتشارات دانشگاه صنعتی امیرکبیر. تهران. نورمحمدی دهبالایی ف، 1391. شبیهسازی عددی لایهبندی حرارتی و اکسیژن محلول در مخزن سد ایلام. پایاننامه کارشناسی ارشد، دانشکده فنی دانشگاه رازی کرمانشاه. Abdolmaleki ASH, Ahangar AGH and Soltani J, 2013. Artificial neural network (ANN) approach for predicting Cu concenteration in drinking water of Chahnimeh 1 reservoir in sistan-balochistan, Iran. Health Scope 2(1): 31-38. Ahangar AGH, Soltani J and Abdolmaleki ASH, 2013. Predicting Mn concentration in water reservoir using artificial neural network (Chahnimeh 1 reservoir, Iran). International Journal of Agriculture and Crop Sciences 6(20): 1413-1420. Cole TM and Wells SA, 2008. CE-QUAL-W2: A Two-Dimensional, Laterally Averaged, Hydrodynamic and Water Quality Model, Version 3.6. Department of Civil and Environmental Engineering, Portland State University, Portland. Dolling OR and Varas EA, 2002. Artificial neural networks for streamflow prediction. Journal of hydraulic research. 40(5):547-554. Emamgholizadeh S, Kashi H, Marofpoor I and Zalaghi E, 2014. Prediction of water quality parameters of karoon river (Iran) by artificial intelligence-based models. International Journal of Environmental Science and Technology 11:645-656.
Heydari M, Olyaie E, Mohebzadeh H and Kisi O, 2013. Development of a neural network technique for prediction of water quality parameters in the Delaware River, Pennsylvania. Middle- East Journal of Scientific Research. 13(10): 1367-1376. Kisi O and Ay M, 2012. Comparison of ANN and ANFIS techniques in modeling dissolved oxygen. Sixteenth International Water Technology Conference.IWTC-16 2012, 7-10 May, Istanbul, Turkey.
Kuo JT, Hsieh MH, Lung WS and She N, 2007. Using artificial neural network for reservoir eutrophication prediction. Ecological Modeling 200: 171-177.
Kuo JT, Lung WS, Yang CP, Liu WC, Yang MD and Tang TS, 2006. Eutrophication modelling of reservoirs in Taiwan. Environmental Modelling and Software 21(6): 829-844. Liu WC, Chen WB and Kimura N, 2009. Impact of phosphorus load reduction on water quality in a stratified reservoir-eutrophication modeling study. Environmental Monitoring and Assessment 159: 393-406. Palani S, Liong SY and Tkalich P, 2008. An ANN application for water quality forecasting. Marine Pollution Bulletin 56: 1586-1597.
Rankovic V, Radulovic J, Radojevic I, Ostojic A and Comic L, 2010. Neural network modeling of dissolved oxygen in the Gruza reservoir, Serbia. Ecological Modelling 221(8): 1239–1244.
| ||
|
آمار تعداد مشاهده مقاله: 994 تعداد دریافت فایل اصل مقاله: 630 |
||