كليدواژه :
شاخص كيفي آب , سيستم هاي استنتاجي عصبي- فازي تطبيقي , آناليز حساسيت , الگوريتم هاي فراكاوشي , رودخانۀ كارون
چكيده فارسي :
مديريت كيفيت آب مستلزم اتخاذ تصميمات صحيح مديريتي است و لازمه اين امر پيش بيني و تخمين كيفيت آب در بدنه‌هاي آبي مي‌باشد. استفاده از روش هاي هوش مصنوعي از جمله مدل‌هاي كارا در پيش بيني متغيرها و شاخص هاي كيفيت آب مي‌باشد. در اين تحقيق، در ابتدا با استفاده از سيزده متغير ورودي كيفيت آب شامل اكسيژن محلول، اكسيژن موردنياز شيميايي، اكسيژن موردنياز بيولوژيكي، هدايت الكتريكي، نيترات، نيتريت، فسفات، كدورت، شاخص اسيديته، كلسيم، منيزيم، سديم و دما مقادير شاخص كيفي (WQI) ماهانه بر اساس دستور‌العمل موسسه بهداشت ملي (NSF) براي نه ايستگاه آب‌سنجي رودخانۀ كارون تخمين زده شده است. سپس، از روش‌هاي آناليز حساسيت آزمون گاما (GT)، آناليز مؤلفه‌هاي اصلي (PCA) و انتخاب پيشرو متغيرها (FS) به منظور دست‌يابي به انتخاب بهينه متغيرهاي ورودي به مدل هوشمند سيستم استنتاجي عصبي-فازي تطبيقي (ANFIS) استقاده گرديد. در نهايت، ضرايب ثابت توابع عضويت موجود در ساختار مدل ANFIS با استفاده از چهار الگوريتم‌هاي بهينه‌ساز كلوني مورچگان (ACO)، وراثتي (GA) و ازدحام ذرات (PSO) محاسبه گرديدند. نتايج شاخص‌هاي آماري نشان داد كه مدل تركيبي GT-ANFIS-PSO با داشتن مقادير ضريب همبستگي، ميانگين خطاي مطلق و جذر ميانگين مربعات خطا به ترتيب برابر با0/952، 1/68 و 3/05 در مرحلۀ آزمايش در مقايسه با ساير مدل‌هاي تركيبي داراي عملكرد بهتري مي‌باشد. همچنين، مقادير شاخص كيفي آب در بازه20 تا 58/4 قرار گرفتند كه بيانگر كيفيت نسبتاً بد تا خوب آب رودخانه كارون مي‌باشد.
چكيده لاتين :
Management of water quality is inextricably bound up with making good management decisions and this typical management is at the mercy of predicting the water quality index (WQI). The use of board range of artificial intelligence models for analyzing surface water quality is one of the most efficient techniques to predict water quality parameters and WQI. In the current research, at the first, datasets accumulated from nine hydrometry stations, located in Karun River, were included those of 13 water quality parameters (i.e., dissolved oxygen, chemical oxygen demand, biochemical oxygen demand, electrical conductivity, nitrate, nitrite, phosphate, turbidity, pH, calcium, magnesium, sodium, and water temperature) which was used to estimate WQI. So, to obtain an optimal selection of ANFIS model-feeding-input variables, gamma test (GT), forward selection (FS), and principal component analysis (PCA) evaluations were applied. Ultimately, constant coefficients of membership function used in the ANFIS model were computed by using evolutionary techniques including a genetic algorithm (GA), ant colony optimization (ACO), and particle swarm optimization (PSO) for training the structure of the ANFIS model. Results of statistical assessments indicated that the GT-ANFIS-PSO model with a correlation coefficient of 0.952, mean absolute error of 1.68, and root mean square error of 3.05 had a satisfying performance for prediction of WQI compared with other optimized ANFIS models. Moreover, values of WQI ranged from 30 to 58.4 which were indicative of being relatively poor to the good water quality of Karun River.
