|
|
|
|
برآورد ضریب پخشیدگی طولی رودخانه با استفاده از انواع روش‌های داده‌کاوی
|
|
|
|
|
|
|
|
نویسنده
|
سلطانی گردفرامرزی سمیه ,تقی زاده مهرجردی روح الله ,قاسمی محسن
|
|
منبع
|
تحقيقات آب و خاك ايران - 1394 - دوره : 46 - شماره : 3 - صفحه:385 -394
|
|
چکیده
|
در مدل‌سازی و تعیین دقیق وضعیت آلودگی رودخانه‌ها محاسبه دقیق ضریب پراکندگی طولی آلودگی بسیار اهمیت دارد. برای محاسبه این ضریب، معادلات گوناگون با استفاده از روش‌های تجربی، تحلیلی، و ریاضی ارائه شده است. با وجود این، روش‌های تحلیلی و ریاضی به علت پیچیدگی محاسبات و روش‌های تجربی به سبب خطای زیاد تا کنون مورد توجه قرار نگرفته‌اند. این تحقیق به بررسی روش‌ها و معادلات تجربی مختلف برای تعیین ضریب پراکندگی طولی آلودگی در رودخانه‌های طبیعی و ارزیابی دقت این روش‌ها در مقایسه با داده‌های اندازه‌گیری‌شده واقعی پرداخت و روشی دقیق‌تر در این زمینه، با بهره جستن از روش‌های داده‌کاوی، همچون برنامه‌ریزی ژنتیک، شبکه عصبی، و شبکه عصبی‌ـ فازی ارائه شد. با به‌کارگیری مدل نروفازی، معیارهای ریشه مربعات خطا و ضریب تبیین به ترتیب 72/21 و 0/87 و ضریب جرم باقی‌مانده 0/103 و کارآیی مدل 0/75 به دست آمد. به این ترتیب، روش نروفازی جهت پیش‌بینی ضریب پخشیدگی طولی رودخانه پیشنهاد میشود.
|
|
کلیدواژه
|
آلودگی، رودخانه، روش‌های داده‌کاوی، ضریب پخشیدگی طولی
|
|
آدرس
|
دانشگاه اردکان, دانشکده کشاورزی و منابع طبیعی, ایران, دانشگاه اردکان, دانشکده کشاورزی و منابع طبیعی, ایران, دانشگاه صنعتی اصفهان, ایران
|
|
پست الکترونیکی
|
ghasemi1860@yahoo.com
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Prediction of Longitudinal Dispersion Coefficient in Natural Streams using Soft Computing Techniques
|
|
|
|
|
Authors
|
Soltani-Gerdefaramarzi Somayyeh ,Taghizadeh-Mehrjerdi Ruhollah ,Ghasemi Mohsen
|
|
Abstract
|
To accurately estimate the longitudinal dispersion coefficient is important and indispensable in river modeling. Many theoretical as well as empirical formulations have been proposed to determine the longitudinal dispersion coefficient, but these have not been put into consideration because of their great error, and as well the complexity of the phenomenon. The main aim followed in the present paper is to investigate the method as well as equations developed for dispersion coefficient estimation and assessment of the accuracy of these methods in comparison with real data and developing an accurate methodology for dispersion coefficient determination making use of such soft computing techniques as, neural, genetic programming and NeuronFuzzy Inference System.ANFIS approach ended up with the excellent results of: R2 = 0.87, RMSE = 72.21, CRM = 0.103 and EF=0.75 as compared with the existing predictors of dispersion coefficient. In total ANFIS approach is hereby proposed as a most acceptable technique for estimating the longitudinal dispersion coefficient.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|