این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
محیط شناسی، جلد ۳۸، شماره ۱، صفحات ۷۱-۸۲
عنوان فارسی توسعه مدلی مناسب بر مبنای شبکه عصبی مصنوعی و ماشین بردار پشتیبان برای پیش‌بینی بهنگام اکسیژن‌خواهی بیوشیمیایی ۵ روزه
چکیده فارسی مقاله محدودیت سنسورهای سخت‌افزاری برای اندازه‌گیری برخی مشخصه‌های کیفی آب مانند اکسیژن‌خواهی بیوشیمیایی 5 روزه (BOD5) که از لحاظ زمانی هزینه‌بر هستند، تلاش‌ها را به سمت استفاده از سنسورهای نرم‌افزای برای پیش‌بینی بهنگام BOD5 سوق داده است. هدف اصلی مقاله مذکور نیز توسعه سنسور نرم‌افزاری مناسب بر مبنای مدل‌های هوشمند شبکه عصبی مصنوعی (ANN) و ماشین بردار پشتیبان (SVM) برای تخمین بهنگام BOD5 در رودخانه سفیدرود است. برای این منظور با قرار دادن BOD5 به عنوان تابعی از دیگر متغیرهای کیفیت آب، مدل‌های مناسبی برای این موضوع با استفاده از دو مدل ANN و SVM توسعه داده شد. در توسعه مدل ANN نقش توابع آموزش لونبرگ-مارکویت (LM)، پس انتشار ارتجاعی (RP) و گرادیان مزدوج مقیاس‌دار (SCG) در بهینه کردن مشخصه‌های ANN ارزیابی شد. همچنین برای بهینه کردن مشخصه‌های مدل SVM از الگوریتم بهینه‌سازی جستجوی شبکه دو مرحله‌ای استفاده شد. نتایج این تحقیق مبین عملکرد برتر مدل ANN با الگوریتم LM ( مدل ANN (LM)) نسبت به دو الگوریتم دیگر بود. همچنین مدل SVM نیز از عملکرد مناسبی در تخمین BOD5 برخوردار بود، به طوری‌که مقدار ضریب همبستگی پیرسون برای این مدل در مرحله تست معادل 95/0 به‌دست آمد. در نهایت نیز بررسی‌های بیشتر برای ارزیابی یکی از دو مدل منتخب بر مبنای آماره نسبت تفاوت توسعه داده شده انجام پذیرفت که نتایج به‌دست آمده از این آماره حاکی از عملکرد برتر مدل SVM نسبت به ANN (LM) بود.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Developing a Proper Model for Online Estimation of the 5-Day Biochemical Oxygen Demand Based on Artificial Neural Network and Support Vector Machine
چکیده انگلیسی مقاله Recently, hardware sensors are widely used in monitoring and measurement of water quality parameters. Constraint of the instrument to measure some water quality parameters such as the 5-day biochemical oxygen demand (BOD5), which are time consuming, causes efforts are diverted to the use of software sensors for online prediction of BOD5. The main goal of this research is developing an appropriate software sensor based on artificial neural network (ANN) and supported vector machines (SVM) models for online prediction of BOD5 in the Sefidrood River. For this purpose, appropriate models with ANN and SVM are developed by considering BOD5 as a function of other water quality variables. In the development of ANN model the role of various training functions such as Levenberg-Marquardt (LM), resilient back-propagation (RP) and scaled conjugate gradient (SCG) algorithms on optimization of ANN parameters is evaluated. Also for optimization of SVM parameters, two-step grid search algorithm is conducted. The results of this research indicated that superior performance of ANN model with LM algorithm (ANN (LM) model) than the other two algorithms i.e. RP and SCG. Besides SVM model had a suitable performance in BOD5 prediction, so that Pearson correlation coefficient (R) in the test step of the model obtained as 0.95. Finally, the further investigation for selection of the best model between ANN (LM) and SVM based on Developed discrepancy ratio statistic is executed. Results of DDR statistic indicated superior performance of SVM model than ANN (LM) for online prediction of BOD5 in the Sefidrood River.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله علی اسکندری |
مربی گروه مهندسی عمران و محیط زیست، دانشکده فنی، دانشگاه آزاد اسلامی بوشهر
سازمان اصلی تایید شده: دانشگاه آزاد اسلامی بوشهر (Islamic azad university of bushehr)

روح اله نوری |
دانشجوی دکترای گروه مهندسی عمران و محیط زیست، دانشکده فنی، دانشگاه آزاد اسلامی بوشهر
سازمان اصلی تایید شده: دانشگاه آزاد اسلامی بوشهر (Islamic azad university of bushehr)

حامد معراجی |
دانشجوی دکترای گروه مهندسی عمران و محیط زیست، دانشکده فنی، دانشگاه آزاد اسلامی بوشهر
سازمان اصلی تایید شده: دانشگاه آزاد اسلامی بوشهر (Islamic azad university of bushehr)

امین کیاقادی |
دانشجوی کارشناسی ارشد مهندسی محیط زیست دانشکده فنی، دانشگاه آزاد اسلامی بوشهر
سازمان اصلی تایید شده: دانشگاه آزاد اسلامی بوشهر (Islamic azad university of bushehr)

نشانی اینترنتی http://jes.ut.ac.ir/article_29013_1e4b75d33bf8d9818ec710168d67c0ea.pdf
فایل مقاله اشکال در دسترسی به فایل - ./files/site1/rds_journals/1056/article-1056-207156.pdf
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات