آمار
| تعداد نشریات | 23 |
| تعداد شماره‌ها | 383 |
| تعداد مقالات | 3,036 |
| تعداد مشاهده مقاله | 2,760,818 |
| تعداد دریافت فایل اصل مقاله | 1,950,059 |
شبیه سازی سطح آب زیرزمینی دشت بهار همدان با استفاده از مدل های یادگیری ماشین نظارت شده | ||
| فناوری های پیشرفته در بهره وری آب | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 21 اسفند 1403 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22126/atwe.2025.11658.1150 | ||
| نویسندگان | ||
| صفورا پیروزمهر1؛ محمد علی ایزدبخش* 2؛ سعید شعبانلو2؛ احمد رجبی2؛ فریبرز یوسفوند2 | ||
| 1دانشجوی دکتری، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران | ||
| 2گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران | ||
| چکیده | ||
| در این مطالعه، دو روش پیشرفته یادگیری ماشین، یعنی ماشین بردار پشتیبان (SVR) و ماشین یادگیری شدید (ELM)، برای شبیه‌سازی سطح آب زیرزمینی مورد بررسی قرار گرفتند. مدل SVR به دلیل توانایی بالای خود در شناسایی روابط پیچیده و غیرخطی میان داده‌ها، در مسائل پیش‌بینی مانند تغییرات سطح آب زیرزمینی کارایی خوبی دارد. از سوی دیگر، مدل ELM، به دلیل سرعت محاسباتی بالا و سادگی ساختاری، یک ابزار مناسب برای پردازش داده‌های بزرگ و پیچیده محسوب می‌شود. در این مطالعه، داده‌های 10 ساله شامل سطح آب زیرزمینی، بارندگی، تبخیر و دما با گام زمانی ماهانه برای توسعه این مدل‌ها استفاده شد. نتایج نشان داد که مدل ELM با تابع فعال‌ساز چند جمله ایی در هر دو مرحله آموزش و آزمون بهترین عملکرد را ارائه داده است. در مقابل، مدل SVR با کرنل خطی کمترین دقت را در هر دو مرحله نشان داد. یافته‌های این مطالعه نشان می‌دهد که مدل ELM با تابع فعال‌ساز چندجمله‌ای، به دلیل توانایی بالا در یادگیری سریع و پردازش داده‌های پیچیده، عملکرد قابل‌توجهی در شبیه‌سازی تغییرات سطح آب زیرزمینی داشته و می‌تواند به‌عنوان ابزاری مؤثر در مدیریت منابع آب زیرزمینی استفاده شود. از سوی دیگر، عملکرد ضعیف مدل SVR با کرنل خطی حاکی از عدم کارایی آن در مدل‌سازی روابط غیرخطی در داده‌های مناطق خشک و نیمه‌خشک است. این تحقیق نشان‌دهنده اهمیت انتخاب مدل مناسب و تنظیم بهینه پارامترها در بهبود دقت پیش‌بینی‌ها و کمک به تصمیم‌گیری‌های مدیریتی برای بهره‌برداری پایدار از منابع آب زیرزمینی است. | ||
| کلیدواژه‌ها | ||
| سطح آب زیرزمینی؛ رگرسیون با ماشین بردار پشتیبان؛ مدل ماشین یادگیری افراطی؛ یادگیری ماشین | ||
|
آمار تعداد مشاهده مقاله: 67 |
||