پديد آورندگان :
احمدپور، زهره دانشگاه صنعتي خاتم‌الأنبيا - گروه عمران، بهبهان، ايران , احمديان فر، ايمان دانشگاه صنعتي خاتم‌الأنبيا - گروه عمران، بهبهان، ايران , اصغري پري، امين دانشگاه صنعتي خاتم‌الأنبيا - گروه عمران، بهبهان، ايران
چكيده فارسي :
ﻫريك از ﻣﺼﺎرف ﮔﻮﻧﺎﮔﻮن آب ﻣﺎﻧﻨﺪ ﻛﺸﺎورزي، ﺷﺮب و ﺻﻨﻌﺖ ﻧﻴﺎزﻣﻨﺪ آب ﺑﺎ كيفيتي ﻣﺸﺨﺺ ﻫﺴﺘﻨﺪ ﻛﻪ حدود كيفي آن، ﺑﺎ ﻧﻤﻮﻧﻪﺑﺮداريﻫﺎي ﻣﻜﺮر، آزﻣﺎﻳﺶ و ﺗﺤﻠﻴﻞ ﻧﺘﺎﻳﺞ ﻣﺸﺨﺺ ﻣﻲشود. ﻫﺰينۀ ﻧﻤﻮﻧﻪﺑﺮداري از آبﻫﺎي ﺳﻄﺤﻲ، اﻧﺪازهﮔﻴﺮي ﭘﺎراﻣﺘﺮﻫﺎي ﻛﻴﻔﻲ در ﻣﺤﻴﻂ آزﻣﺎيشگاه و ﺧﻄﺎﻫﺎي اﻧﺴﺎﻧﻲ، از ﺟﻤﻠﻪ ﻣﺸﻜﻼت ﻣﻮﺟﻮد در ﺗﺨﻤﻴﻦ ﻏﻠﻈﺖ ﭘﺎراﻣﺘﺮﻫﺎي ﻛﻴﻔﻲاند. ﺑﻪ ﻫﻤﻴﻦ ﻣﻨﻈﻮر، ﺑﺮاي اﻟﮕﻮﺑﻨﺪي ﭘﺎراﻣﺘﺮﻫﺎي ﻛﻴﻔﻲ آب، روشﻫﺎي ﻣﺨﺘﻠﻔﻲ وﺟﻮد دارد ﻛﻪ در اﻳﻦ ﺑﻴﻦ، روشﻫﺎي دادهﻣﺒﻨﺎ در دههﻫﺎي اﺧﻴﺮ ﻣﻮرد ﺗﻮﺟﻪ پژوهشگران ﻗﺮار ﮔﺮﻓﺘﻪ اﺳﺖ. بنابراين، هدف اصلي در تحقيق حاضر، تخمين و مدلسازي پارامترهاي كيفي آب با استفاده از روشهاي داده كاوي نوين، بهبود عملكرد روشهاي داده كاوي با كمك تئوري موجك و مقايسۀ آنها با ساير روشهاي داده كاوي متداول است. بهبياني ديگر، با استفاده از روش داده كاوي ماشين يادگيري قدرتمند (ELM) و شبكۀ عصبي پرسپترون چندلايه (MLP)، پارامترهاي كيفي آب (Cl، EC، Mg و TDS) مدلسازي شد. ارزيابي اين دو مدل توسط معيارهاي آماري ضريب همبستگي (R)، ريشۀ ميانگين مربع خطا (RMSE) و ميانگين قدر مطلق خطا (MAE) و خطاي استاندارد نسبي (RSE) براي دادههاي دورۀ آماري 20 ساله، انجام شد. با توجه به نتايج، مشخص شد كه روش ELM توانسته است به طور متوسط ضريب همبستگي معادل 97/0 را ارائه كند. با وجود آنكه هر دو مدل نتايج قابل قبولي به همراه داشتند، اما در نهايت نتايج نشان داد مدل ELM نسبت به مدل MLP دقت بيشتري براي پيش بيني پارامترهاي كيفي آب دارد.
چكيده لاتين :
Each of the various uses of water, such as agriculture, drinking, industry, etc., require water with a specific quality that is characterized by repeated sampling, testing, and analysis of the results. However, the cost of sampling surface water, measuring quality parameters in the laboratory environment, human errors are the most important problems in estimating the concentration of water qualitative parameters. For this purpose, there are several methods for modeling the water quality parameters. In this regard, the data mining methods have been considered by the researchers in recent decades. Therefore, in this research, the main purpose is to estimating and modeling water quality parameters using modern data mining methods and improve the performance of data mining methods with the aim of wavelet theory and compare them with other commonly used data mining methods. In other words, extreme learning machines (ELM) and multi-layer perceptron (MLP) method will be used to model water quality parameters. The evaluation of these two models was performed by statistical criteria Correlation Coefficient (R), root mean square error (RMSE) and mean absolute error (MAE) and relative standard error (RSE) for statistical data of 20 years. According to the results, it was found that the ELM method has been able to averagely provide a correlation coefficient of 0.97. Although both models yielded acceptable results, the results showed that the ELM model has higher accuracy than the MLP model for prediction of water quality parameters.
