پیش بینی مقدار کل جامدات حل شده در آب زیرزمینی با استفاده از دو روشیادگیری ماشین و شبکه عصبی

در سال های اخیر آب زیرزمینی به عنوان بزرگترین منبع آب شیرین در دسترس بشر، از لحاظ کیفی وکمی دچار مشکلاتی شده است. از این رو محققین راه های متنوعی را برای پاکسازی این منبع مهمپیشنهاد داده اند که یکی از این راه ها روش الکتروکینتیک می باشد. جهت طراحی روش الکتروکینتیکباید مشخصاتی از آبخوان مانند هدایت الکتریکی مورد بررسی قرار گیرد که یکی از راه های شناختهدایت الکتریکی، مقدار کل جامدات حل شده است. در این تحقیق با استفاده از روش های یادگیریماشین و شبکه عصبی سعی شده تا مدلی بهینه و دقیق برای پیشبینی مقدار کل جامدات حل شده درآب زیرزمینی ساخته شود. برای ساخت مدل مورد بحث از یک پایگاه داده مربوط به آب زیرزمینی آمریکاکه بین سال های ۱۹۹۱ الی ۲۰۱۸ جمع آوری شده، استفاده شده است. در نتایج این تحقق نشان دادهشد که هر دو روش یادگیری ماشین و شبکه عصبی از لحاظ دقت، عملکرد مشابهی ارائه دادند و ضریبتعیین ۰.۹۳ برای داده های آزمون بدست آمد. هردو مدل از لحاظ بیش برازش و کم برازش بودن نیزمورد بررسی قرار گرفتند. در نهایت نیز دیده شد که روش یادگیری ماشین از لحاظ مصرف منابعپردازشی بهینه تر بوده و توانسته با مقدار کمتری از مصرف پردازنده به همان عملکرد شبکه عصبی برسد.

کلیدواژه ها:

آب زیرزمینی ، علوم داده ، یادگیری ماشین ، شبکه عصبی ، کل جامدات حل شده ، کیفیتآب