علیرضا سپه وند؛ نسرین بیرانوند؛ نگار ارجمند
چکیده
این تحقیق با هدف مدل‌سازی شاخص کیفیت آب ( WQI) به کمک مدل‌های هوش‌مصنوعی با تکیه بر مدل‌های یادگیری ماشین RepTree، RF، M5P، BM5P(ترکیب M5P و Bagging)، BRF(ترکیب RF و Bagging) و BRepTree (ترکیب RepTree و Bagging) در حوضه‌های خرم‌آباد، الشتر و بیرانشهر، استان لرستان انجام گرفته است. در این تحقیق ابتدا بر اساس داده-های کیفیت آب، شاخص کیفیت آب (WQI) محاسبه شد و در ادامه برای ...
بیشتر
این تحقیق با هدف مدل‌سازی شاخص کیفیت آب ( WQI) به کمک مدل‌های هوش‌مصنوعی با تکیه بر مدل‌های یادگیری ماشین RepTree، RF، M5P، BM5P(ترکیب M5P و Bagging)، BRF(ترکیب RF و Bagging) و BRepTree (ترکیب RepTree و Bagging) در حوضه‌های خرم‌آباد، الشتر و بیرانشهر، استان لرستان انجام گرفته است. در این تحقیق ابتدا بر اساس داده-های کیفیت آب، شاخص کیفیت آب (WQI) محاسبه شد و در ادامه برای مدل‌سازی، داده‌های ورودی شامل پارامترهای کیفی آب یک دوره 10 ساله (1403-1393) و همچنین داده خروجی شاخص کیفیت آب رودخانه‌ها بود. در این تحقیق برای مدل‌سازی در مرحله آموزش 70 درصد داده‌ها و در مرحله ارزیابی 30 درصد باقی‌مانده مورد استفاده قرار گرفتند و در نهایت بر اساس نتایج معیارهای ارزیابی خطای ضریب همبستگی (CC)، ریشه میانگین مربعات خطا (RMSE) و میانگین خطای مطلق (MAE) همچنین نمودارهای تیلور و ویولن باکس مدل بهینه انتخاب شد. نتایج تحقیق نشان داد که از بین مدل‌های استفاده شده، مدل BM5P باتوجه به معیارهای ارزیابی مدل CC، MAE و RMSE در بخش آزمایش به‌ترتیب برابر 99/0، 15/0 و 20/0 از عملکرد بهتری نسبت به سایر مدل‌ها برخوردار بوده است. در ادامه با توجه به نتایج حاصل از نمودارهای تیلور و ویولن باکس به‌منظور ارزیابی کارایی مدل‌ها، برتری این مدل نسبت به سایر مدل‌ها تایید شد. در نهایت نتایج نشان داد که برای صرفه‌جوی در زمان و هزینه و همچنین مدیریت بهینه پارامترهای کیفیت آب، یکی از راهکارهای مناسب، استفاده از تکنیک‌های هوش مصنوعی به‌منظور مدل‌سازی و ارزیابی شاخص کیفیت آب (WQI) می‌باشد.
نسرین بیرانوند؛ علیرضا سپه وند؛ علی حقی‌زاده
چکیده
این تحقیق با استفاده از الگوریتم‌های یادگیری ماشین به بررسی کارآیی مدل‌های RF, RepTree, GP-PUK, GP-RBF, M5P برای مدل‌سازی بارانحلالی در زیرحوضه‌های خرم‌آباد، بیرانشهر و الشتر در استان لرستان پرداخته شد. داده‌های ورودی شامل بارش، دبی، دبی یک روز قبل، میانگین دبی (دبی همان روز و یک روز قبل) همچنین داده خروجی رسوب انحلالی رودخانه‌ها می‌باشد. ...
بیشتر
این تحقیق با استفاده از الگوریتم‌های یادگیری ماشین به بررسی کارآیی مدل‌های RF, RepTree, GP-PUK, GP-RBF, M5P برای مدل‌سازی بارانحلالی در زیرحوضه‌های خرم‌آباد، بیرانشهر و الشتر در استان لرستان پرداخته شد. داده‌های ورودی شامل بارش، دبی، دبی یک روز قبل، میانگین دبی (دبی همان روز و یک روز قبل) همچنین داده خروجی رسوب انحلالی رودخانه‌ها می‌باشد. در این تحقیق برای مدل‌سازی در مرحله آموزش 70 درصد داده‌ها و در مرحله آزمایش 30 درصد باقی‌مانده مورد استفاده قرار گرفتند. در نهایت برای مقایسه نتایج مدل‌های مختلف و انتخاب بهترین مدل، از معیارهای سنجش خطای ریشه میانگین مربعات خطا (RMSE)، ضریب همبستگی (C.C) و میانگین مربعات خطا (MAE) استفاده شد. نتایج نشان داد باتوجه به معیارهای ارزیابی مدل GP با دو تابع کرنل PUK و RBF در دوره پرآبی و کم‌آبی عملکرد بهتری را نسبت به سایر مدل‌ها داشته است. نتایج به‌دست آمده در دوره پرآبی نشان داد که در ایستگاه‌های چم‌انجیر، سراب صیدعلی و کاکارضا مدل GP-RBF و در ایستگاه هیدرومتری بهرام‌جو مدل GP-PUK با بیشترین ضریب همبستگی و کمترین خطا در مرحله آزمایش به‌عنوان مدل‌های بهینه برای تخمین بار انحلالی انتخاب شدند. همچنین در ایستگاه‌های هیدرومتری بهرام‌جو، چم‌انجیر و سراب صیدعلی مدل GP-RBF و در ایستگاه هیدرومتری کاکارضا مدل GP-PUK به‌عنوان مدل بهینه برای تخمین بار انحلالی در دوره کم‌آبی انتخاب شدند. بنابراین، با توجه به نتایج به دست آمده، می‌توان برای مدیریت کیفیت و کمیت منابع آب سطحی از مدل‌های بهینه GP-PUK و GP-RBF برای تخمین بار انحلالی رودخانه‌های فاقد ایستگاه هیدرومتری در حوضه‌های کارستی استفاده کرد.
