جستجوی مقالات مرتبط با کلیدواژه « predicted » در نشریات گروه « علوم پایه »

انتخاب همه

بهینه سازی و پیش بینی روند تغییرات پارامترهای کیفی آب زیرزمینی دشت دزفول با استفاده از دو مدل ANN+PSO و ANN+P-PSO

فهیمه صیادی شهرکی*، عبدالرحیم هوشمند، عاطفه صیادی شهرکی

نشریه علوم و تکنولوژی محیط زیست، سال بیست و سوم شماره 4 (پیاپی 107، تیر 1400)، صص 107 -119

زمینه و هدف

برآورد و پیش بینی پارامترهای کیفی آب زیرزمینی به منظور تصمیم گیری های مدیریتی یکی از اهداف مدیران و برنامه ریزان منابع آب تلقی می گردد. در این راستا تعداد زیادی مدل در زمینه مدیریت بهتر برای حفظ کیفیت آب گسترش یافته است. بیش تر این مدل ها نیازمند پارامترهای ورودی هستند که یا دسترسی به آن ها مشکل است و یا اینکه اندازه گیری آن ها محتاج صرف هزینه و زمان زیادی می باشد. در این میان مدل های شبکه عصبی مصنوعی که با الهام از ساختار مغز بشر عمل می نمایند، به عنوان گزینه ای برتر معرفی می شوند.

روش بررسی

پژوهش حاضر به منظور شبیه سازی پارامترهای کیفی آب زیرزمینی دشت دزفول شامل SAR ، EC و TDS با استفاده از مدل های ANN+PSO و ANN+P-PSO و درنهایت مقایسه نتایج آن ها با داده های اندازه گیری شده ، انجام گرفته است. اطلاعات ورودی به مدل ها برای پارامتر کیفی TDS شامل هدایت الکتریکی، نسبت جذبی سدیم، اسیدیته، سولفات، کلسیم، منیزیم و سدیم و برای پارامتر کیفی SAR شامل مقدار کل نمک های محلول، اسیدیته، سدیم، بی کربنات و برای پارامتر کیفی EC شامل سولفات، کلسیم، منیزیم، نسبت جذبی سدیم و اسیدیته، از سال 1390 تا 1394 جمع آوری شده است.

یافته ها

نتایج نشان داد بالاترین دقت پیش بینی پارامترهای کیفی SAR ، EC و TDS مربوط به مدل ANN+P-PSO می باشد به طوری که مقدار آماره های و کم ترین مقدار و بیش ترین مقدار را برای مدل مذکور دارد. مقدار RMSE در مرحله تست برای الگوریتم PSO در پیش بینی SAR ، EC و TDS به ترتیب برابر 09/0، 045/0 (میکرو زیمنس بر سانتی متر) و 053/0 (میلی گرم بر لیتر) به دست آمد. این آماره برای الگوریتم P-PSO در پیش بینی SAR ، EC و TDS به ترتیب برابر 039/0، 031/0 (میکرو زیمنس بر سانتی متر) و 045/0 (میلی گرم بر لیتر) تعیین شدند.

بحث و نتیجه گیری

نتایج نشان داد که الگوریتم P-PSO از دقت بیش تری نسبت به الگوریتم PSO برخوردار بود. همچنین با توجه به این که تفاوت آماری معنی داری بین داده های اندازه گیری شده و شبیه سازی شده وجود نداشت؛ پیشنهاد می شود از شبکه عصبی مصنوعی برای شبیه سازی پارامترهای کیفی در منابع آب زیرزمینی استفاده شود.

کلید واژگان: الگوریتم بهینه سازی تجمع ذرات, پیش بینی, دزفول, کیفیت آب}

چکیده مشاهده متن مقاله پژوهشی/اصیل زبان: فارسی

Optimization and Prediction Changes of Groundwater Quality Parameters Using ANN+PSO and ANN+P-PSO Models (Case Study: Dezful Plain)

Fahimeh Sayadi Shahraki *, Abdolrahim Hooshmand, Atefeh Sayadi Shahraki

Journal of Environmental Sciences and Technology, Volume:23 Issue: 4, 2021, PP 107 -119

Background and Objective

One of the main aims of water resource planners and managers is the estimation and prediction of groundwater quality parameters to make managerial decisions. In this regard, many models have been developed which proposed better managements in order to maintain water quality. Most of these models require input parameters which are hardly available or their measurements are time consuming and expensive. Among them, Artificial Neural Network (ANN) models inspired by human's brain are a better choice.

Method

The present study stimulated the groundwater quality parameters of Dezful plain including Sodium Adsorption Ratio (SAR), Electrical Conductivity (EC), Total Dissolved Solids (TDS), using ANN+PSO and ANN+P-PSO models and in the end is comparing their results with measured data. The input data for TDS quality parameter consist of EC, SAR, pH, SO4, Ca, Mg and Na, for SAR including the TDS, pH, Na, Hco3 and quality parameter of EC contains So4, Ca, Mg, SAR and pH, gathered from 2011 to 2015.

Findings

The results indicated that the highest prediction accuracy of quality parameters of SAR, EC and TDS is related to the ANN+P-PSO model so that the MAE and RMSE statistics have the minimum and has the maximum value for the model. The results showed that RMSE for PSO in predicting SAR, EC and TDS were 0.09, 0.045 (µs/cm) and 0.053 (mg/l) in testing period, respectively. These statistical criteria were 0.039, 0.031 (µs/cm) and 0.045 (mg/l) for P-PSO in this period, respectively.

Discussion and Conclusion

The results showed that P-PSO had more accuracy compared to PSO. In addition, there were no significant differences between ANN and collecting values. So, it is recommended that ANN were applied to determine nitrate concentration in groundwater.

Keywords: Dezful, Particle Swarm Optimization Algorithm, predicted, Water quality}

Abstract View Paper Research/Original Article Original: Persian

نکته

نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.

به جمع مشترکان مگیران بپیوندید!

جستجوی مقالات مرتبط با کلیدواژه « predicted » در نشریات گروه « علوم پایه »