سنجش کیفیت آب صنعتی مصرفی یک کارخانۀ شیمیایی با استفاده‌از هوش مصنوعی(وایازش لجستیک، بیز ساده، ماشین بردار پشتیبان، جنگل تصادفی و درخت تصمیم)

سنجش مستمر کیفیت آب کارخانه بسیار مهم است. روش‌های کنونی سنجش کیفیت آب از کارایی کافی برخوردار نیست. در این پژوهش برای حل چالش‌های ذکرشده، کاهش خطای انسانی، آنالیز دقیق‌تر و افزایش سرعت تشخیص، روشی نوین بااستفاده‌از مفاهیم هوش مصنوعی و یادگیری ماشین مطرح شده‌است. روش پیشنهادی پژوهش بااستفاده‌از 472 نمونه‌داده‌های شیمیایی در نرم‌افزار matlab آموزش و اعتبار شده‌است. هر یک از نمونه‌داده‌ها دارای 6 ویژگی ورودd (ph، هدایت‌سنجی، سختی آب، کل مواد جامد محلول در آب، کلر آزاد و قلیائیت) و یک ویژگی خروجی (هدف) هستند. برای ارزیابی میزان کارایی سنجش کیفیت آب، از معیارهای ماتریس اغتشاش، دقت، صحت و بازخوانی استفاده شده‌است. بیشترین دقت مربوط‌به روش جنگل تصادفی است. صحت روش‌های درخت تصمیم، بیز ساده و ماشین بردار پشتیبان با هم برابر است. بیشترین میزان بازخوانی مربوط‌به روش درخت تصمیم است. روش هوش مصنوعی درخت تصمیم پیشنهادی با دقتی معادل با 70 درصد، صحت معادل با 98 درصد و بازخوانی برابر با 96 درصد نسبت‌به روش‌های وایازش لجستیک، بیز ساده، ماشین بردار پشتیبان و جنگل تصادفی، کارایی بیشتر و خطای کمتری را نشان داد.

measuring the quality of industrial water used in a chemical plant using artificial intelligence (logistic regression, naive bayesian, support vector machine, random forest, and decision tree)

continuous measurement of factory water quality is important. current methods of measuring water quality are not efficient enough. in this research, a new method using the concepts of artificial intelligence and machine learning has been proposed to solve the mentioned challenges. the proposed research method has been trained and validated using 472 samples of chemical data in matlab software. each data sample has 6 input attributes (ph, conductivity, water hardness, total water-soluble solids, free chlorine, and alkalinity) and one output attribute (target). the parameters of disturbance matrix, precision, accuracy, and readability have been used to evaluate the efficiency of water quality measurement. the highest accuracy is related to the random forest method. the decision tree, simple bayes, and vector machine methods are the same. the most refreshing rate is related to the decision tree method. the artificial intelligence method of the proposed decision tree with an accuracy equal to 70%, accuracy equal to 98%, and recall equal to 96% compared to logistic regression methods, naive bayesian method, support vector machine, and random forest, shows more efficiency and less error.