ارزیابی و مقایسه روش های هوش مصنوعی در پیش بینی غلظت رسوب معلق (مطالعه موردی: رودخانه می سی سی پی)
کد مقاله : 1185-IWWA (R2)
نویسندگان:
آیه کرمی *1، بهاره راحلی2
1مهندسی عمران-محیط زیست، دانشکده مهندسی راه ساختمان و محیط زیست، دانشگاه شیراز، شبراز، ایران.
2مهندسی عمران-مهندسی محیط زیست/دانشکده مهندسی راه ساختمان و محیط زیست/دانشگاه شیراز/شیراز/ایران
چکیده مقاله:
پیش بینی و برآورد غلظت رسوبات معلق (CSS) در رودخانه، از عناصر مهم و قابل توجه در منابع و کیفیت آب های جهان، پایداری مهندسی رودخانه ها و زیستگاه های سیاست و مدیریت محیط زیست است.در این تحقیق دو روش آموزش شبکه ی فازی یکپارچه ی Grid Partitioning (ANFIS-SC) و Sub. Clustering (ANFIS-GP)، شبکه عصبی پرسپترون چندلایه (MLP) و ماشین بردار پشتیبان (SVM) برای پیش بینی غلظت رسوب معلق رودخانه بکار گرفته شده است. جهت بررسی این مدل ها و تاثیر آن ها در پیش بینی غلظت رسوب معلق، رودخانه می سی سی پی به عنوان نمونه مورد مطالعه انتخاب شده است. این مدل ها با استفاده از داده های میانگین روزانه غلظت رسوب، دبی رسوب و دبی رودخانه مورد تایید قرار گرفته است.. در این سیستم از معیارهای ارزیابی ضریب تعیین R2 و خطای RMSE برای ارزیابی مدل استفاده شده است. نتایج بدست آمده نشان داد که مدل ANFIS با R2 = 0/935 و RMSE = 0/0217 به ترتیب نسبت به مدل های MLP و SVM در مجموعه داده های تست عملکرد بهتری دارد و قابلیت اطمینان بالایی با خطای کم دارد و یک مدل مناسب در زمینه های مختلف محیط زیستی خواهد بود.
کلیدواژه ها:
کلمات کلیدی: غلظت رسوبات معلق (CSS)، سیستم استنتاج تطبیقی عصبی فازی (ANFIS)، شبکه عصبی پرسپترون چندلایه (MLP)، ماشین بردار پشتیبان (SVM)، رودخانه می سی سی پی.
وضعیت : مقاله برای ارائه به صورت پوستر پذیرفته شده است
سومین کنگره علوم و مهندسی آب و فاضلاب ایران