آمار
| تعداد نشریات | 23 |
| تعداد شماره‌ها | 368 |
| تعداد مقالات | 2,890 |
| تعداد مشاهده مقاله | 2,566,206 |
| تعداد دریافت فایل اصل مقاله | 1,821,863 |
مدل‌سازی غلظت نیترات در منابع آب با بهره گیری از رگرسیون ماشین پشتیبان و الگوریتم بهینه‌سازی متاهیوریستیک شاهین هریس | ||
| فناوری های پیشرفته در بهره وری آب | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 01 تیر 1404 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22126/atwe.2024.11300.1143 | ||
| نویسندگان | ||
| شهاب نادری1؛ سعید شعبانلو* 2 | ||
| 1گروه مهندسی عمران، واحد تفت، دانشگاه آزاد اسلامی، تفت ، ایران. | ||
| 2گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران. | ||
| چکیده | ||
| هدف: هدف این مطالعه توسعه یک مدل یادگیری ماشین برای شبیه‌سازی غلظت نیترات است. شبیه‌سازی و پیش‌بینی غلظت نیترات همیشه از مهم‌ترین مسائل در حوزه مدیریت منابع آب بوده است. روش پژوهش: در این تحقیق بعد از جمع‌آوری داده‌ها ابتدا داده‌های مربوط به غلظت نیترات با استفاده از JNB خوشه‌بندی شدند، سپس برای هر خوشه یک مدل SVR توسعه داده شد، هم‌زمان با فرآیند آموزش این مدل از الگوریتم SFFS برای انتخاب متغیرهای وردی به مدل استفاده شد، سپس بر اساس نتایج حاصل از این سه مدل مقدار متوسط شاخص‌های خطا برای مرحله آموزش و تست محاسبه شدند، در این حالت از روش سعی و خطا برای این کار استفاده شد. در گام بعد از الگوریتم HHO برای تعیین مقدار بهینه پارامترهای توابع کرنل استفاده شد. یافته‌ها: بر اساس نتایج حاصل از این سه مدل مقدار متوسط شاخص‌های خطا برای مرحله آموزش (RMSE = 0.2387 , MAE = 0.2236 , R2=0.9874) و تست (RMSE = 0.2474 , MAE = 0.2350 , R2=0.9841) نتایج حاصل از الگوریتم HHO شامل مقدار شاخص‌های R2 و RMSE, MAE برای مرحله آموزش به ترتیب برابر 0.1502،0.1169،0.9961 است و مقدار آن‌ها برای مرحله تست به ترتیب برابر 0.1308،0.9845، 0.9978 است. بر اساس نتایج حاصل از این مطالعه اولا استفاده از HHO برای پیش‌بینی غلظت نیتزات میتواند باعث افزایش چشمگیر دقت مدل SVR می‌شود، دوما استفاده به جا از مدل‌های یادگیری ماشین مختلف در کنار هم میتوانند نقش موثری در افزایش دقت مدل‌های رگرسیونی مانند SVR داشته باشد. نتیجه‌گیری: این تحقیق نشان داد که با انتخاب مناسب متغیرها، حتی در صورت استفاده از یک مدل نسبتاً ساده مانند SVR، می‌توان به نتایج بسیار دقیقی دست‌یافت. این نشان می‌دهد که کیفیت داده‌ها و انتخاب ورودی‌های مناسب به‌اندازه پیچیدگی خود مدل اهمیت دارد. در نهایت، این تحقیق تأیید می‌کند که ترکیب الگوریتم‌های بهینه‌سازی مانند HHO با مدل‌های یادگیری ماشین و به‌کارگیری روش‌های انتخاب ویژگی، میتواند به‌عنوان یک راهکار مؤثر برای بهبود دقت پیش‌بینی‌ها در مسائل مرتبط با منابع آب، به‌ویژه در پیش‌بینی آلاینده‌های مهم، مورداستفاده قرار گیرد. این راهبردها میتوانند در مدیریت بهتر منابع آب و کاهش آلودگی‌های ناشی از نیترات و سایر آلاینده‌ها به کار گرفته شوند | ||
| کلیدواژه‌ها | ||
| نیترات؛ شبکه عصبی مصنوعی؛ آب های زیرزمینی؛ آلودگی؛ یادگیری ماشین | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 25 |
||