ارزیابی عملکرد مدل های شبکه عصبی مصنوعی و رگرسیون چندگانه در سنجش کربن آلی محلول در آب

زمینه و هدف: اندازه گیری و پایش کربن آلی در محیط های آبی یکی از شاخص های مهم کیفی در پروژه های مدیریت محیط زیست، پایش کیفی منابع آب و تامین آب شرب است. در این تحقیق، عملکرد مدل شبکه عصبی مصنوعی و مدل رگرسیون غیر خطی چندگانه با هدف سنجش پارامتر کربن آلی در منابع آب با حداکثر ضریب همبستگی محتمل و حداقل تعداد پارامترهای ورودی، مورد مطالعه و بهینه سازی قرار گرفت. روش بررسی: به این منظور مدل اولیه شبکه عصبی مصنوعی و رگرسیون غیر خطی چندگانه با کلیه پارامترهای ورودی برای دستیابی به حداقل پارامترهای مورد نیاز تحت بهینه سازی به روش حذف ترتیبی قرار گرفت. یافته ها: آزمون صحت سنجی مدل بیانگر توافق خوبی میان سنجش کربن آلی محلول و مشاهدات واقعی بوده است. تحلیل نتایج نشان دهنده ی عملکرد قابل قبول مدل شبکه عصبی با درصد خطای متوسط 7 % و ضریب همبستگی 0.91 می باشد. بحث و نتیجه گیری: رفتار سنجی نتایج مدل سازی آشکار نمود که هرچند مدل رگرسیون چندگانه با درصد خطای متوسط 8 % و ضریب هم بستگی 0.89 عملکرد نسبتاً ضعیف تری داشته است، اما سرعت اجرای بالا و عملکرد بهتر در شرایط بحرانی نشان از قابلیت بالای این مدل در سنجش کربن آلی در منابع آب با دامنه تغییرات کیفی زیاد دارد.

Evaluation of Artificial Neural Network and Multiple Nonlinear Regression Modeling for the determination of Dissolved Organic Carbon

Abstract Background and Objective: Monitoring of organic carbon in water resources is a critical quality index in environmental management, water quality monitoring and drinking water projects. In this study, the performance and applicability of artificial neural network and multiple nonlinear regression modeling were investigated and optimized for the prediction of dissolved organic carbon. Method: Optimization was performed using backward elimination method with the highest probable correlation coefficient and minimum number of input parameters. Findings: Model verification showed a good agreement between the predicted organic carbon and actual observations. Results showed the acceptable performance of neural network model with the mean absolute error percentage of 7.6% and correlation coefficient of 0.91. Discussion and Conclusion: Further investigations unveiled that although the multiple regression model, with mean absolute error percentage of 8.4% and correlation coefficient of 0.89, seems to be less appealing but its fast runtime and better performance in critical conditions makes it a better choice for the prediction of organic carbon in aqueous solotions with high range of qualitative changes.