منصور بازیار
چکیده
زمینه و هدف: نیترات همواره به عنوان یک شاخص کیفیت آب آشامیدنی و یک موضوع اساسی در سلامت انسان مورد توجه بوده است. توسعه مدل‌های پیشرفته برای مدیریت کیفیت آب، تصمیم‌گیرندگان را تشویق کرده است که فناوری‌های هوش مصنوعی را در برنامه‌ریزی کیفیت آب لحاظ نمایند. این مطالعه، قصد دارد تا با استفاده از مدل‌های AdaBoost (تقویت تطبیقی) بعنوان یکی ...
بیشتر
زمینه و هدف: نیترات همواره به عنوان یک شاخص کیفیت آب آشامیدنی و یک موضوع اساسی در سلامت انسان مورد توجه بوده است. توسعه مدل‌های پیشرفته برای مدیریت کیفیت آب، تصمیم‌گیرندگان را تشویق کرده است که فناوری‌های هوش مصنوعی را در برنامه‌ریزی کیفیت آب لحاظ نمایند. این مطالعه، قصد دارد تا با استفاده از مدل‌های AdaBoost (تقویت تطبیقی) بعنوان یکی از مدل های نوظهور در حیطه مدیریت کیفیت آب به پیش بینی غلظت نیترات در آب زیرزمینی با استفاده از هدایت الکتریکی، pH بپردازد.مواد و روشها: در این مطالعه ابتدا تحلیل همبستگی پیرسون انجام شد سپس با تعیین متغیر های ورودی مدل چندین مدل AdaBoost با هاپپر پارامترهای مختلف ساخته شد. سپس تحلیل حساسیت و وابستگی متغیر های ورودی مدل در پیش بینی نیترات ارزیابی شدند.یافته ها: نتایج مدل AdaBoostنشان داد که مقادیر ضریب R2 برای داده آموزش 0/915 و برای داده های تست 0/924 بودند. مقادیر MSE، RMSE، MAE، MAPE برای داده های آموزش به ترتیب 1/02، 1/01، 0/823 و 7/3درصد بدست آمد. این معیار ها برای داده های تست به ترتیب0/228، 0/477، 0/375 و3/2 درصد بودند. تحلیل حساسیت مدل، متغیر pH به عنوان مهمترین متغیر تاثیر گذار در پیش بینی نیترات معرفی کرد.نتیجه گیرى: تحلیل مدل نشان داد که روش پیشنهادی در پیش بینی غلظت نیترات عملکرد بالایی دارد. این روش پتانسیل ویژه برای پیاده‌سازی به عنوان یک سامانه هوشمند برای پیش‌بینی پارامترهای کیفیت آب را دارد.
محسن نیازی؛ علی نقی زاده؛ منصور بازیار
چکیده
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 ...
بیشتر
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.