ارتقاء تخمین هدایت الکتریکی رودخانه با کاربرد مدل های شبکه عصبی و استنتاج فازی- عصبی تطبیقی بر اساس روش تجزیه به مولفه های اصلی (مطالعه موردی نکارود)
سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 23
نسخه کامل این مقاله ارائه نشده است و در دسترس نمی باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JWMS-13-47_004
تاریخ نمایه سازی: 4 دی 1402
چکیده مقاله:
تخمین تغییرات پارامترهای کیفی منابع آب از جمله هدایت الکتریکی در طول یک رودخانه ضروری است. در مقاله حاضر از شبکه عصبی مصنوعی (ANN) و استنتاج فازی-عصبی تطبیقی (ANFIS-SC) جهت تخمین هدایت الکتریکی (EC) رودخانه نکارود در دوره آماری ۲۲ ساله (۱۳۹۲-۱۳۷۱) استفاده شده است. دوره مطالعاتی مذکور بر اساس میزان جریان رودخانه به دو دوره کم آبی و پرآبی تفکیک شد، سپس بااستفاده از روش تجزیه به مولفههای اصلی، پارامترهای موثر در تخمین EC تعیین و برای ورودی مدلها استفاده شد. نتایج نشان داد کمترین مقدار مجذور میانگین مربعات خطا (RMSE) در دوره کم آبی و پرآبی در دو روش مربوط به مولفه اول است که مقدار این آماره در روش ANN مربوط به دوره آموزش و صحتسنجی در دوره کمآبی برابر با µS/cm ۲۲/۳۵ و ۱۰/۸۱ و در دوره پرآبی برابر با µS/cm ۶/۹۲ و ۸/۴۹تخمین زده است. در روش ANN-SC مقدار RMSE در دوره کم آبی در دوره آموزش و صحت سنجی برابر باµS/cm ۲۱/۸۶ و ۱۳/۱۴ و در دوره پرآبی برابر باµS/cm ۸/۵ و ۱۳/۱۹ بهدست آمده است. پارامترهای مولفه اول در دوره کم آبی شاملCa ،So۴ ،Hco۳ ،Mg ، TDS، مجموع آنیون ها و کاتیون ها و در دوره پرآبی شامل پارامترهایCa ،Hco۳ ، TDS، مجموع آنیون ها و کاتیون ها می باشد.
کلیدواژه ها:
نویسندگان
پروا محمدی
University of Tehran
کیومرث ابراهیمی
University of Tehran
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 :