سید مسعود سلیمان پور؛ امید رحمتی؛ صمد شادفر؛ مریم عنایتی
چکیده
اندازهگیری میدانی میزان هدررفت خاک ناشی از فرسایش خندقی، بسیار زمانبر و هزینهبر بوده بنابراین اندازهگیری مستقیم فرسایش خندقی در سطوح وسیع فرآیندی زمانبر، هزینهبردار و طاقتفرسا است. به این منظور، پژوهش حاضر، نسبت به انجام این مهم از طریق مدلسازی هدررفت خاک ناشی از فرسایش خندقی با استفاده از مدلهای یادگیری ماشینی ...
بیشتر
اندازهگیری میدانی میزان هدررفت خاک ناشی از فرسایش خندقی، بسیار زمانبر و هزینهبر بوده بنابراین اندازهگیری مستقیم فرسایش خندقی در سطوح وسیع فرآیندی زمانبر، هزینهبردار و طاقتفرسا است. به این منظور، پژوهش حاضر، نسبت به انجام این مهم از طریق مدلسازی هدررفت خاک ناشی از فرسایش خندقی با استفاده از مدلهای یادگیری ماشینی جنگل تصادفی و ماشینبردار پشتیبان و ارزیابی کارایی آنها در حوزه آبخیز ماهورمیلاتی واقع در جنوبغرب استان فارس اقدام کرد. در طی چهار سال (1399 لغایت 1402)، اندازهگیریهای میدانی پارامترهای ابعادی 70 خندق انجام شد. در فرآیند مدلسازی، 15 عامل محیطی، بهعنوان متغیرهای مستقل و میزان هدررفت خاک خندقها بهعنوان متغیر وابسته در نظر گرفته شدند و مدلسازی با رویکرد اعتبارسنجی متقاطع انجام شد. دقت مدلها با استفاده از معیارهای کمی خطای جذر میانگین مربعات (RMSE)، ضریب تعیین (R2)، ریشه مربعات خطا (RSR) و همبستگی تطابق (d) مورد بررسی قرار گرفت. میزان هدررفت خاک خندقها در دوره مورد مطالعه 15300/94 تن بود. نتایج ارزیابی دقت پیشبینی مدلها نشان داد مدل جنگل تصادفی از نظر معیارهای ارزیابی، نسبت به مدل ماشینبردار پشتیبان از عملکرد بهتری برخوردار بود و بهعنوان مدل برتر برای پیشبینی میزان هدررفت خاک ناشی از فرسایش خندقی معرفی شد. یافتهها نشان داد "مدلسازی" میتواند در صرفهجویی وقت و هزینه، خدمات ارزندهای به مدیریت حفاظت آب و خاک ارائه دهد. به این منظور پیشنهاد میشود استفاده از مدلهای مبتنی بر هوش مصنوعی و ساختار یادگیری ماشینی در پژوهشهای آینده مورد توجه بیشتری قرار گیرد.
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.
محمد انصاری قوجقار؛ مسعود پورغلام آمیجی؛ شهاب عراقی نژاد؛ بنفشه زهرایی؛ سامان رضوی؛ علی سلاجقه
چکیده
به منظور کنترل و مدیریت صحیح طوفانهای گرد و غبار، آگاهی از تغییرات زمانی- مکانی این پدیده و لزوم پیشبینی و مدلسازی آن با هدف شناخت دقیقتر رفتار طوفانهای گرد و غبار نسبت به محرکهای طبیعی و انسانی، امری ضروری است. با توجه به توسعه روز افزون فرامدلها و ترکیب آنها با الگوریتمهای بهینهسازی به منظور مدلسازی ...
بیشتر
به منظور کنترل و مدیریت صحیح طوفانهای گرد و غبار، آگاهی از تغییرات زمانی- مکانی این پدیده و لزوم پیشبینی و مدلسازی آن با هدف شناخت دقیقتر رفتار طوفانهای گرد و غبار نسبت به محرکهای طبیعی و انسانی، امری ضروری است. با توجه به توسعه روز افزون فرامدلها و ترکیب آنها با الگوریتمهای بهینهسازی به منظور مدلسازی و پیشبینی متغیرهای هواشناسی، در این پژوهش چهار الگوریتم بهینهسازی فراکاوشی ازدحام ذرات (PSO)، ژنتیک (GA)، کلونی مورچگان در محیطهای پیوسته (ACOR) و تکاملی تفاضلی (DE) با مدل سیستم استنتاج تطبیقی فازی عصبی (ANFIS) ترکیب شد. عملکرد چهار مدل ترکیبی توسعه دادهشده با مدل ANFISبرای پیشبینی متغیرهای فراوانی روزهای همراه با طوفان گرد و غبار (FDSD) در مقیاس فصلی در استان خوزستان در جنوب غربی ایران ارزیابی شد. بدین منظور از دادههای ساعتی گرد و غبار و کدهای سازمان جهانی هواشناسی در مقیاس فصلی با طول دوره آماری 40 ساله (2019-1980) در هفت ایستگاه سینوپتیک استان خوزستان استفاده شد. نتایج شاخصهای نیکویی برازش در مرحله آموزش و آزمایش نشان داد که اختلاف معنیداری بین روش ANFIS و سایر مدلهای ترکیبی مورد استفاده وجود ندارد. مقادیر R و RMSE برترین مدل ترکیبی (ANFIS-PSO) به ترتیب از 88/0 تا 97/0 و 10/0 تا 19/0 و در مدل ANFIS به ترتیب از 83/0 تا 94/0 و 11/0 تا 21/0 متغیر بودند. همچنین نتایج نشان داد که ترکیب الگوریتمهای بهینهسازی استفادهشده با مدل ANFIS نتایج مدل را نسبت به مدل انفرادی ANFIS به صورت معنیداری بهبود نمیبخشد.
ژیلا قربانی؛ کیومرث سفیدی؛ فرشاد کیوان بهجو؛ مهدی معمری؛ علی اشرف سلطانی طولارود
چکیده
متداولترین راه جهت اندازهگیری میزان خردشدگی خاک، تعیین میانگین وزنی قطر خاکدانهها (MWD) است. در این پژوهش، از سامانۀ استنتاج فازی - عصبی (انفیس) به منظور پیشبینی میانگین وزنی قطر خاکدانهها در اثر شدتهای مختلف چرای دام، فاصله از روستا و عمق نمونهبرداری استفاده گردید. این مطالعه در سال 1394 در سه روستای معرف ...
بیشتر
متداولترین راه جهت اندازهگیری میزان خردشدگی خاک، تعیین میانگین وزنی قطر خاکدانهها (MWD) است. در این پژوهش، از سامانۀ استنتاج فازی - عصبی (انفیس) به منظور پیشبینی میانگین وزنی قطر خاکدانهها در اثر شدتهای مختلف چرای دام، فاصله از روستا و عمق نمونهبرداری استفاده گردید. این مطالعه در سال 1394 در سه روستای معرف همجوار (آلوارس، آلداشین و اسب مرز) در حوزۀ آبخیز درویشچای استان اردبیل اجرا شد. پارامترهای مورد مطالعه شامل شدتهای مختلف چرای دام در سه سطح (شدت چرای کم، متوسط و زیاد)، فاصله از روستا در سه سطح (200، 400 و600 متری) و عمق نمونهبرداری در دو سطح (15-0 و30-15سانتیمتر) بود. دادههای بهدست آمده به نرم افزار متلب (MATLAB) برای ایجاد مدلهای انفیس منتقل شد. برای ارزیابی مدلهای انفیس از میانگین مربعات خطا (MSE) و ضریب تبیین (R2) استفاده گردید. نتایج بهترین مدل انفیس با نتایج مدل رگرسیونی مقایسه گردید. نتایج نشان داد که شدتهای مختلف چرا، فاصله از روستا و عمق نمونهبرداری و ترکیبات مختلف آنها اثر معنیداری بر خردشدگی خاک دارند. با افزایش شدت چرا، خردشدگی خاک بیشتر شد. با افزایش فاصله از روستا از 200 به 400 متر، خردشدگی خاک کاهش و با بیشترشدن فاصله، خردشدگی افزایش یافت (که این امر میتواند به خاطر تردد بیشتر دام در فواصل نزدیک و به خاطر سنگلاخی بودن و یا ویژگیهای فیزیکی خاک در فواصل دور باشد). خردشدگی خاک در تمامی حالات در عمق 0-15 سانتیمتر بیشتر از عمق30-15 سانتیمتر بود. به علاوه، مدل انفیس با دقت بالاتری (96/0R2=) نسبت به مدل رگرسیونی (76/0R2=)، خردشدگی خاک را پیشبینی نمود.
مریم اسدی؛ علی فتحزاده
چکیده
آگاهی از میزان رسوب معلق رودخانهها یکی از مسائل اساسی در پروژههای آبی است که طراحان تأسیسات آبی همواره با آن روبرو بودهاند. با توجه به صرف هزینه و زمان طولانی جهت اندازهگیری بار معلق رودخانهها، استفاده از منحنیهای سنجۀ رسوب معمولترین روش برآورد بار رسوب معلق رودخانهها محسوب میگردد. این در حالی است که روشهای نوین ...
بیشتر
آگاهی از میزان رسوب معلق رودخانهها یکی از مسائل اساسی در پروژههای آبی است که طراحان تأسیسات آبی همواره با آن روبرو بودهاند. با توجه به صرف هزینه و زمان طولانی جهت اندازهگیری بار معلق رودخانهها، استفاده از منحنیهای سنجۀ رسوب معمولترین روش برآورد بار رسوب معلق رودخانهها محسوب میگردد. این در حالی است که روشهای نوین مبتنی بر هوش مصنوعی و دادهکاوی در بسیاری از علوم مهندسی رخنه کرده است. بر همین اساس هدف اصلی این تحقیق به چالش کشیدن توانمندی روش کلاسیک برآورد بار معلق در مقایسه با برخی روشهای نوظهور میباشد. ما در این پژوهش شش مدل،K نزدیکترین همسایه، شبکۀ عصبی پس انتشار خطا، فرآیند گوسی، درخت تصمیمگیری M5، ماشینبردار پشتیبان و ماشینبردار پشتیبان تکاملی را انتخاب و به مقایسۀ آنها با مدل سنجۀ رسوب در هشت حوزۀ آبخیز واقع در استان گیلان پرداختیم. طول دوره آماری دادههای ورودی به مدلها به صورت روزانه و 30 ساله در نظر گرفته شد. ارزیابی نتایج حاصله نشان داد مدل فرآیند گوسی در مقایسه با سایر مدلها، با کمترین مجموع مربعات باقیمانده (RMSE) (متوسط مجموع مربعات باقی مانده= 05/37 در هشت حوزه) و بیشترین ضریب همبستگی (r) (متوسط ضریب همبستگی 72/0 در هشت حوزه) و با بهترین ضریب ناش- ساتکلیف (متوسط 66/0 در هشت حوزه) نسبت به سایر مدلها از کارآیی بیشتری برخوردار است. لذا استفاده از مدلهای مذکور به جای روشهای معمول برآورد بار معلق میتواند دقت این برآوردها را به میزان قابل ملاحظهای بهبود بخشد.
