مدل‌سازی اکسیژن محلول با استفاده از روش یادگیری عمیق و روشهای پیش‌پردازنده
آلودگی آب یک مشکل بزرگ جهانی است که به ارزیابی مداوم و تجدیدنظر در سیاست منابع آبی در همه سطوح احتیاج دارد. اکسیژن محلول (DO) یکی از مهمترین شاخصهای کیفیت آب است. در مطالعه حاضر، پارامتر کیفی اکسیژن محلول در آب با استفاده از روش هوشمند حافظه طولانی کوتاه‌مدت (LSTM) بر پایه روشهای پیش‌پردازنده تبد...
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
University of Tehran, College of Aburaihan
2023-01-01
|
| Series: | مدیریت آب و آبیاری |
| Subjects: | |
| Online Access: | https://jwim.ut.ac.ir/article_89251_f72e620f9523170bcf3a2228b47cb7b5.pdf |
| _version_ | 1811176684831899648 |
|---|---|
| author | کیومرث روشنگر سینا داودی |
| author_facet | کیومرث روشنگر سینا داودی |
| author_sort | کیومرث روشنگر |
| collection | DOAJ |
| description | آلودگی آب یک مشکل بزرگ جهانی است که به ارزیابی مداوم و تجدیدنظر در سیاست منابع آبی در همه سطوح احتیاج دارد. اکسیژن محلول (DO) یکی از مهمترین شاخصهای کیفیت آب است. در مطالعه حاضر، پارامتر کیفی اکسیژن محلول در آب با استفاده از روش هوشمند حافظه طولانی کوتاه‌مدت (LSTM) بر پایه روشهای پیش‌پردازنده تبدیل موجک گسسته (DWT) و روش تجزیه مد تجربی کامل (CEEMD) در دو حالت زمانی و مکانی در پنج ایستگاه متوالی بر روی رودخانه ساواناه مورد بررسی قرار گرفت. نتایج حاصل از تحلیل مدلها قابلیت و کارایی بالای روش به‌کاررفته را در تخمین میزان اکسیژن محلول در آب به خوبی نشان داد. از طرفی دیگر روشهای پیش‌پردازنده باعث بهبود نتایج شدند. هم‌چنین در بررسیهای انجام‌شده مشاهده شد که نتایج حاصل از تجزیه براساس تبدیل موجک در مدل‌سازی مکانی، به میزان دو درصد و هم‌چنین تجزیه مد تجربی در مدل‌سازی زمانی، به میزان 15 درصد میزان خطای RMSE را کاهش داد. بهترین حالت ارزیابی برای دادههای آزمون با استفاده از تجزیه مد تجربی در حالت مدل‌سازی زمانی مربوط به یک روز قبل با مقادیر 977/0=DC، 988/0=R و 017/0=RMSE به‌دست آمد. هم‌چنین در مدل‌سازی مکانی جهت تخمین اکسیژن محلول در ایستگاه سوم نیز مشخص شد نتایج حاصل از ورودیهای پارامتر اکسیژن محلول در یک روز قبل ایستگاه دوم و دو روز قبل ایستگاه اول بهترین نتیجه را دارا میباشد. |
| first_indexed | 2024-04-10T19:56:50Z |
| format | Article |
| id | doaj.art-286fd2bea42948b7826d85ac0c9fe573 |
| institution | Directory Open Access Journal |
| issn | 2251-6298 2382-9931 |
| language | fas |
| last_indexed | 2024-04-10T19:56:50Z |
| publishDate | 2023-01-01 |
| publisher | University of Tehran, College of Aburaihan |
| record_format | Article |
| series | مدیریت آب و آبیاری |
| spelling | doaj.art-286fd2bea42948b7826d85ac0c9fe5732023-01-27T15:46:40ZfasUniversity of Tehran, College of Aburaihanمدیریت آب و آبیاری2251-62982382-99312023-01-0112498389010.22059/jwim.2022.345864.100589251مدل‌سازی اکسیژن محلول با استفاده از روش یادگیری عمیق و روشهای پیش‌پردازندهکیومرث روشنگر0سینا داودی1گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران.گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران.آلودگی آب یک مشکل بزرگ جهانی است که به ارزیابی مداوم و تجدیدنظر در سیاست منابع آبی در همه سطوح احتیاج دارد. اکسیژن محلول (DO) یکی از مهمترین شاخصهای کیفیت آب است. در مطالعه حاضر، پارامتر کیفی اکسیژن محلول در آب با استفاده از روش هوشمند حافظه طولانی کوتاه‌مدت (LSTM) بر پایه روشهای پیش‌پردازنده تبدیل موجک گسسته (DWT) و روش تجزیه مد تجربی کامل (CEEMD) در دو حالت زمانی و مکانی در پنج ایستگاه متوالی بر روی رودخانه ساواناه مورد بررسی قرار گرفت. نتایج حاصل از تحلیل مدلها قابلیت و کارایی بالای روش به‌کاررفته را در تخمین میزان اکسیژن محلول در آب به خوبی نشان داد. از طرفی دیگر روشهای پیش‌پردازنده باعث بهبود نتایج شدند. هم‌چنین در بررسیهای انجام‌شده مشاهده شد که نتایج حاصل از تجزیه براساس تبدیل موجک در مدل‌سازی مکانی، به میزان دو درصد و هم‌چنین تجزیه مد تجربی در مدل‌سازی زمانی، به میزان 15 درصد میزان خطای RMSE را کاهش داد. بهترین حالت ارزیابی برای دادههای آزمون با استفاده از تجزیه مد تجربی در حالت مدل‌سازی زمانی مربوط به یک روز قبل با مقادیر 977/0=DC، 988/0=R و 017/0=RMSE به‌دست آمد. هم‌چنین در مدل‌سازی مکانی جهت تخمین اکسیژن محلول در ایستگاه سوم نیز مشخص شد نتایج حاصل از ورودیهای پارامتر اکسیژن محلول در یک روز قبل ایستگاه دوم و دو روز قبل ایستگاه اول بهترین نتیجه را دارا میباشد.https://jwim.ut.ac.ir/article_89251_f72e620f9523170bcf3a2228b47cb7b5.pdfاکسیژن محلولتبدیل موجکتجزیه مد تجربیحافظه طولانی کوتاه‌مدت |
| spellingShingle | کیومرث روشنگر سینا داودی مدل‌سازی اکسیژن محلول با استفاده از روش یادگیری عمیق و روشهای پیش‌پردازنده مدیریت آب و آبیاری اکسیژن محلول تبدیل موجک تجزیه مد تجربی حافظه طولانی کوتاه‌مدت |
| title | مدل‌سازی اکسیژن محلول با استفاده از روش یادگیری عمیق و روشهای پیش‌پردازنده |
| title_full | مدل‌سازی اکسیژن محلول با استفاده از روش یادگیری عمیق و روشهای پیش‌پردازنده |
| title_fullStr | مدل‌سازی اکسیژن محلول با استفاده از روش یادگیری عمیق و روشهای پیش‌پردازنده |
| title_full_unstemmed | مدل‌سازی اکسیژن محلول با استفاده از روش یادگیری عمیق و روشهای پیش‌پردازنده |
| title_short | مدل‌سازی اکسیژن محلول با استفاده از روش یادگیری عمیق و روشهای پیش‌پردازنده |
| title_sort | مدل‌سازی اکسیژن محلول با استفاده از روش یادگیری عمیق و روشهای پیش‌پردازنده |
| topic | اکسیژن محلول تبدیل موجک تجزیه مد تجربی حافظه طولانی کوتاه‌مدت |
| url | https://jwim.ut.ac.ir/article_89251_f72e620f9523170bcf3a2228b47cb7b5.pdf |
| work_keys_str_mv | AT ḵywmrtẖrwsẖngr mdlsạzyạḵsyzẖnmḥlwlbạạstfạdhạzrwsẖyạdgyryʿmyqwrwsẖhạypysẖprdạzndh AT synạdạwdy mdlsạzyạḵsyzẖnmḥlwlbạạstfạdhạzrwsẖyạdgyryʿmyqwrwsẖhạypysẖprdạzndh |