عنوان

پیش بینی بار رسوب معلق با استفاده از ترکیب مدل های هوش مصنوعی

پ۲۴۹۴۹

per

پیش بینی بار رسوب معلق با استفاده از ترکیب مدل های هوش مصنوعی

علی خیری

عمران

۱۴۰۰

۶۴ص.

سی دی

کارشناسی ارشد

عمران - محیط زیست

۱۴۰۰/۰۶/۱۷

برآورد و پیش بینی دقیق مقدار بار رسوب معلق (Suspended Sediment Load-SSL) رودخانه ها از اهمیت بسیار ویژه ای در مهندسی محیط زیست و مهندسی هیدرولیک برخوردار می باشد. SSL با حمل آلاینده ها، کاهش اکسیژن محلول در آب و افزایش کدورت آب میزان کیفیت آب را شدیدا تحت تاثیر قرار می دهد. همچنین این پدیده نقش عمده ای در طراحی و نگه داری سازه های آبی با تاثیر مستقیم بر بار مرده سد ها ، کانال های آرامش و تعادل بستر رودخانه ها دارد. در این تحقیق جهت برآورد و پیش بینی SSL با دو سناریوی تک و چند ایستگاهه، ابزار هوش مصنوعی(Artificial Intelligence-AI) به همراه تکنیک های ترکیب مدل(Ensemble) به کار گرفته شدند. شبکه عصبی مصنوعی(Artificial Neural Network-ANN)، سیستم استنتاج تطبیقی عصبی-فازی(Adaptive Neuro-Fuzzy Inference System-ANFIS) و رگرسیون بردار پشتیبان(Support Vector Regression-SVR) مدل های منفرد AI می باشند و سه روش میانگین گیری خطی ساده، میانگین گیری خطی وزن دار و میانگین گیری غیرخطی با ANN تکنیک های ترکیب مدل در این تحقیق بودند که برای بهبود و ارتقاء نتایج مدل های منفرد به کار برده شده اند. داده های مشاهداتی بیست ساله دبی جریان و SSL مربوط به سه ایستگاه هیدرومتری واقع در رودخانه می سی سی پی و رودخانه میسوری ایالات متحده در هر دو مقیاس روزانه و ماهانه برای مدلسازی در این پژوهش استفاده شد. نتایج بدست آمده هر دو سناریوی مدلسازی حاکی از برتری نتایج ترکیب مدل نسبت به مدل های منفرد بود که در بین تکنیک های ترکیب مدل نیز تکنیک میانگین گیری غیر خطی با ANN عملکرد بهتر و مطمئن تری نشان داد. به عنوان مثال، در سناریو اول ترکیب مدل نتایج پیش بینی شده را تا %20 در بخش صحت سنجی در مقیاس روزانه و ماهانه افزایش داد و در سناریو دوم نیز در هر دو مقیاس زمانی به ترتیب 5% تا 8% در فاز صحت سنجی افزایش داد.

In this study, Artificial Intelligence (AI) models along with ensemble techniques were employed for predicting the SSL via single-station and multi-station scenarios. Feed Forward Neural Networks (FFNNs), Adaptive Neuro-Fuzzy Inference System (ANFIS), and Support Vector Regression (SVR) were the employed AI models, and the simple averaging (SA), weighted averaging (WA), and neural averaging (NA) were the ensemble techniques developed for combining the outputs of the individual AI models to gain more accurate estimations of the SSL. For this purpose, twenty-year observed streamflow and SSL data of three gauging stations, located in Missouri and Upper Mississippi regions were utilized in both daily and monthly scales. The obtained results of both scenarios indicated the supremacy of ensemble techniques to single AI models. The neural ensemble demonstrated more reliable performance comparing to other ensemble techniques. For instance, in the first scenario, the ensemble technique increased the predicted results up to 20% in the verification phase of the daily and monthly modeling and up to 5% and 8% in the verification step of the second scenario

Suspended Sediment Load (SSL) Prediction Using Ensemble of AI- Based Models

‏ خیری

‏ علی

تهيه کننده

‏شرقی

نورانی

‏ الناز

‏ وحید

استاد راهنما

استاد مشاور

‏ تبریز