مقایسه شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در پیش‌بینی کدورت فیلتراسیون شنی کند تصفیه خانه آب طبس
چکیده: زمینه و هدف:کدورت آب تصفیه شده به عنوان یک پارامتر مهم در تعیین کیفیت آب آشامیدنی و یا صنعتی در تمامی تصفیه خانه ها اندازه گیری می شود. از دیر باز با توجه به اهمیت یافتن شیوع عوامل بیماریزا مثل ژیاردیا و کریپتوسپوریدیوم که عامل ایجاد بیماری های خطرناکی همچون اسهال خونی می باشند، رابطه کاهش می...
| Main Authors: | , , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Mashhad University of Medical Sciences
2022-05-01
|
| Series: | Pizhūhish dar Bihdāsht-i Muḥīṭ. |
| Subjects: | |
| Online Access: | https://jreh.mums.ac.ir/article_20072_d13ee152b136e64148dec1141972617b.pdf |
| _version_ | 1797946096494837760 |
|---|---|
| author | محسن نیازی علی نقی زاده منصور بازیار |
| author_facet | محسن نیازی علی نقی زاده منصور بازیار |
| author_sort | محسن نیازی |
| collection | DOAJ |
| description | چکیده: زمینه و هدف:کدورت آب تصفیه شده به عنوان یک پارامتر مهم در تعیین کیفیت آب آشامیدنی و یا صنعتی در تمامی تصفیه خانه ها اندازه گیری می شود. از دیر باز با توجه به اهمیت یافتن شیوع عوامل بیماریزا مثل ژیاردیا و کریپتوسپوریدیوم که عامل ایجاد بیماری های خطرناکی همچون اسهال خونی می باشند، رابطه کاهش میزان کدورت و افزایش حذف این میکروارگانیزم ها در مطالعات به اثبات رسیده است.مواد و روش ها:در این مطالعه یک مدل شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در پیش بینی کدورت خروجی از آب تصفیه شده تصفیه خانه شهر طبس توسعه و عملکرد آنها با هم مقایسه گردید. کل جامدات محلول، pH، ، دما و کدورت ورودی به عنوان پارامترهای ورودی مدل ها در پیش‌بینی‌ها استفاده شد. بهترین الگوریتم پس انتشار و تعداد نورون برای بهینه‌سازی معماری مدل تعیین شد.یافته ها:نتایج نشان داد که الگوریتم لونبرگ-مارکوارت به عنوان بهترین الگوریتم انتخاب شد و تعداد نورون بهینه نیز 16 تعیین شد. همچنین نتایج تحلیل حساسیت مدل شبکه عصبی نشان داد که کدورت ورودی با مقدار 29 درصد به عنوان مهمترین پارامتر در توسعه مدل شبکه عصبی مصنوعی است.نتیجه گیری:نتایج ضریب همبستگی مدل رگرسیون خطی چندگانه و مدل شبکه عصبی مصنوعی به ترتیب برای داده های آموزش 63/0 و 892/0 و برای داده های تست 60/0 و 8571/0 به دست آمد که نشان از برتری مدل شبکه عصبی مصنوعی در پیش بینی کدورت خروجی از تصفیه خانه آب طبس است. |
| first_indexed | 2024-04-10T21:05:29Z |
| format | Article |
| id | doaj.art-88d64625a58449e19d974ec46d003d3f |
| institution | Directory Open Access Journal |
| issn | 2423-5202 |
| language | fas |
| last_indexed | 2024-04-10T21:05:29Z |
| publishDate | 2022-05-01 |
| publisher | Mashhad University of Medical Sciences |
| record_format | Article |
| series | Pizhūhish dar Bihdāsht-i Muḥīṭ. |
| spelling | doaj.art-88d64625a58449e19d974ec46d003d3f2023-01-22T11:15:09ZfasMashhad University of Medical SciencesPizhūhish dar Bihdāsht-i Muḥīṭ.2423-52022022-05-0181334510.22038/jreh.2022.63144.147720072مقایسه شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در پیش‌بینی کدورت فیلتراسیون شنی کند تصفیه خانه آب طبسمحسن نیازی0علی نقی زاده1منصور بازیار2دانشجوی کارشناسی ارشد، مهندسی بهداشت محیط، دانشکده بهداشت، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران.دانشیار مهندسی بهداشت محیط، مرکز تحقیقات سم‌شناسی پزشکی و سوء مصرف مواد مخدر (MTDRC)، دانشکده بهداشت، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران.استادیار مهندسی بهداشت محیط، دانشکده پیراپزشکی و بهداشت فردوس، دانشگاه علوم پزشکی بیرجند، بیرجند، ایران.چکیده: زمینه و هدف:کدورت آب تصفیه شده به عنوان یک پارامتر مهم در تعیین کیفیت آب آشامیدنی و یا صنعتی در تمامی تصفیه خانه ها اندازه گیری می شود. از دیر باز با توجه به اهمیت یافتن شیوع عوامل بیماریزا مثل ژیاردیا و کریپتوسپوریدیوم که عامل ایجاد بیماری های خطرناکی همچون اسهال خونی می باشند، رابطه کاهش میزان کدورت و افزایش حذف این میکروارگانیزم ها در مطالعات به اثبات رسیده است.مواد و روش ها:در این مطالعه یک مدل شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در پیش بینی کدورت خروجی از آب تصفیه شده تصفیه خانه شهر طبس توسعه و عملکرد آنها با هم مقایسه گردید. کل جامدات محلول، pH، ، دما و کدورت ورودی به عنوان پارامترهای ورودی مدل ها در پیش‌بینی‌ها استفاده شد. بهترین الگوریتم پس انتشار و تعداد نورون برای بهینه‌سازی معماری مدل تعیین شد.یافته ها:نتایج نشان داد که الگوریتم لونبرگ-مارکوارت به عنوان بهترین الگوریتم انتخاب شد و تعداد نورون بهینه نیز 16 تعیین شد. همچنین نتایج تحلیل حساسیت مدل شبکه عصبی نشان داد که کدورت ورودی با مقدار 29 درصد به عنوان مهمترین پارامتر در توسعه مدل شبکه عصبی مصنوعی است.نتیجه گیری:نتایج ضریب همبستگی مدل رگرسیون خطی چندگانه و مدل شبکه عصبی مصنوعی به ترتیب برای داده های آموزش 63/0 و 892/0 و برای داده های تست 60/0 و 8571/0 به دست آمد که نشان از برتری مدل شبکه عصبی مصنوعی در پیش بینی کدورت خروجی از تصفیه خانه آب طبس است.https://jreh.mums.ac.ir/article_20072_d13ee152b136e64148dec1141972617b.pdfکدورتتصفیه خانه آبشبکه عصبی مصنوعیرگرسیون خطی چندگانهپیش بینی |
| spellingShingle | محسن نیازی علی نقی زاده منصور بازیار مقایسه شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در پیش‌بینی کدورت فیلتراسیون شنی کند تصفیه خانه آب طبس Pizhūhish dar Bihdāsht-i Muḥīṭ. کدورت تصفیه خانه آب شبکه عصبی مصنوعی رگرسیون خطی چندگانه پیش بینی |
| title | مقایسه شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در پیش‌بینی کدورت فیلتراسیون شنی کند تصفیه خانه آب طبس |
| title_full | مقایسه شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در پیش‌بینی کدورت فیلتراسیون شنی کند تصفیه خانه آب طبس |
| title_fullStr | مقایسه شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در پیش‌بینی کدورت فیلتراسیون شنی کند تصفیه خانه آب طبس |
| title_full_unstemmed | مقایسه شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در پیش‌بینی کدورت فیلتراسیون شنی کند تصفیه خانه آب طبس |
| title_short | مقایسه شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در پیش‌بینی کدورت فیلتراسیون شنی کند تصفیه خانه آب طبس |
| title_sort | مقایسه شبکه عصبی مصنوعی و رگرسیون خطی چندگانه در پیش‌بینی کدورت فیلتراسیون شنی کند تصفیه خانه آب طبس |
| topic | کدورت تصفیه خانه آب شبکه عصبی مصنوعی رگرسیون خطی چندگانه پیش بینی |
| url | https://jreh.mums.ac.ir/article_20072_d13ee152b136e64148dec1141972617b.pdf |
| work_keys_str_mv | AT mḥsnnyạzy mqạyshsẖbḵhʿṣbymṣnwʿywrgrsywnkẖṭycẖndgạnhdrpysẖbynyḵdwrtfyltrạsywnsẖnyḵndtṣfyhkẖạnhậbṭbs AT ʿlynqyzạdh mqạyshsẖbḵhʿṣbymṣnwʿywrgrsywnkẖṭycẖndgạnhdrpysẖbynyḵdwrtfyltrạsywnsẖnyḵndtṣfyhkẖạnhậbṭbs AT mnṣwrbạzyạr mqạyshsẖbḵhʿṣbymṣnwʿywrgrsywnkẖṭycẖndgạnhdrpysẖbynyḵdwrtfyltrạsywnsẖnyḵndtṣfyhkẖạnhậbṭbs |