ارزیابی عملکرد مدل های شبکه عصبی مصنوعی و رگرسیون چندگانه در سنجش کربن آلی محلول در آب

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 394

فایل این مقاله در 12 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_ESTJ-21-1_004

تاریخ نمایه سازی: 19 مهر 1400

چکیده مقاله:

چکیده زمینه و هدف: اندازه گیری و پایش کربن آلی در محیط های آبی یکی از شاخص های مهم کیفی در پروژه های مدیریت محیط زیست، پایش کیفی منابع آب و تامین آب شرب است. در این تحقیق، عملکرد مدل شبکه عصبی مصنوعی و مدل رگرسیون غیر خطی چندگانه با هدف سنجش پارامتر کربن آلی در منابع آب با حداکثر ضریب همبستگی محتمل و حداقل تعداد پارامترهای ورودی، مورد مطالعه و بهینه سازی قرار گرفت. روش بررسی: به این منظور مدل اولیه شبکه عصبی مصنوعی و رگرسیون غیر خطی چندگانه با کلیه پارامترهای ورودی برای دستیابی به حداقل پارامترهای مورد نیاز تحت بهینه سازی به روش حذف ترتیبی قرار گرفت. یافته ها: آزمون صحت سنجی مدل بیانگر توافق خوبی میان سنجش کربن آلی محلول و مشاهدات واقعی بوده است. تحلیل نتایج نشان دهنده ی عملکرد قابل قبول مدل شبکه عصبی با درصد خطای متوسط ۷ % و ضریب همبستگی ۹۱/۰ می باشد. بحث و نتیجه گیری: رفتار سنجی نتایج مدل سازی آشکار نمود که هرچند مدل رگرسیون چندگانه با درصد خطای متوسط ۸ % و ضریب هم بستگی ۸۹/۰ عملکرد نسبتا ضعیف تری داشته است، اما سرعت اجرای بالا و عملکرد بهتر در شرایط بحرانی نشان از قابلیت بالای این مدل در سنجش کربن آلی در منابع آب با دامنه تغییرات کیفی زیاد دارد.

نویسندگان

طاهر احمدزاده

دانش آموخته دکتری مهندسی محیط زیست، دانشکده تحصیلات تکمیلی محیط زیست، دانشگاه تهران، تهران، ایران (مسوول مکاتبات).

ناصر مهردادی

استاد و عضو هییت علمی مهندسی محیط زیست، دانشکده تحصیلات تکمیلی محیط زیست، دانشگاه تهران، تهران، ایران.

مجتبی اردستانی

استاد و عضو هییت علمی مهندسی محیط زیست، دانشکده تحصیلات تکمیلی محیط زیست، دانشگاه تهران، تهران، ایران.

اکبر باغوند

استاد و عضو هییت علمی مهندسی محیط زیست، دانشکده تحصیلات تکمیلی محیط زیست، دانشگاه تهران، تهران، 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 :
  • Singh K P, Malik A, Mohan D, Sinha S, ۲۰۰۴, ...
  • Beckett R, Ranville J, ۲۰۰۶, Natural organic matter. In: Newcombe ...
  • Hou Y, Chu W, Ma M, ۲۰۱۲, Carbonaceous and nitrogenous ...
  • Bot A, Benites J, ۲۰۰۵, The importance of soil organic ...
  • Visco G, Campanella L, Nobili V, ۲۰۰۵, Organic carbons and ...
  • Matilainen A, Gjessing E T, Lahtinen T, Hed L, Bhatnagar ...
  • Hargesheimer E, ۲۰۰۲, Online monitoring for drinking water utilities, American ...
  • Khataee A R, Zarei M, Pourhassan M, ۲۰۱۰, Bioremediation of ...
  • Bucak I O, Karlik B, ۲۰۱۱, Detection of Drinking Water ...
  • Kulkarni P, Chellam S, ۲۰۱۰, Disinfection by–product formation following chlorination ...
  • Najah A, El–Shafie A, Karim O A, Jaafar O, El–Shafie ...
  • Kunwar P S, Gupta S, ۲۰۱۲, Artificial intelligence based modelling ...
  • Yetilmezsoy K, Ozkaya B, Cakmakci M, ۲۰۱۱, Artificial intelligence–based prediction ...
  • Volk C, Kaplan L A, Robinson J, Johnson B, Wood ...
  • Ortiz–Rodríguez J M, Martínez–Blanco M R, Viramontes JMC, Vega–Carrillo H ...
  • Dreyfus G, Martinez J M, Samuelides M, Gordon M B, ...
  • Govindaraju R S, ۲۰۰۰, Artificial neural networks in hydrology. Journal ...
  • Schweitzer R C, Morris J B, ۲۰۰۰, A Tutorial on ...
  • Palani S, Liong S, Tkalich P, ۲۰۰۸, An ANN application ...
  • Gemperline P, ۲۰۰۶, Practical guide to chemometrics ۲nd edn. CRC, ...
  • Nissen S., et al., ۲۰۱۵, FANN, Fast Artificial Neural Network ...
  • Stephan DD, Werner J, Yeater RP, ۲۰۰۱, Essential regression and ...
  • Lin T Y, Tseng C H, ۲۰۰۰, Optimum design for ...
  • Soong T T, ۲۰۰۴, Fundamentals of probability and statistics for ...
  • نمایش کامل مراجع