عنوان

مدل سازی زمانی و مکانی پارامتر کیفی اکسیژن محلول در آب (DO) با استفاده از روش ترکیبی حافظه طولانی کوتاه-مدت و روش های پیش پردازنده

Number

پ۲۷۵۲۸

.Language of Text, Soundtrack etc

per

Title Proper

مدل سازی زمانی و مکانی پارامتر کیفی اکسیژن محلول در آب (DO) با استفاده از روش ترکیبی حافظه طولانی کوتاه-مدت و روش های پیش پردازنده

First Statement of Responsibility

سینا داودی

Name of Publisher, Distributor, etc.

مهندسی عمران

Date of Publication, Distribution, etc.

۱۴۰۱

Specific Material Designation and Extent of Item

۸۴ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

مهندسی عمران گرایش آب و سازه هیدرولیکی

Date of degree

۱۴۰۱/۰۸/۱۰

Text of Note

پیش بینی کیفیت آب نقش مهمی در پایش زیست-محیطی، پایداری اکوسیستم و آبزی پروری ایفا می کند. روش های پیش بینی سنتی نمی¬توانند غیر خطی و غیر ثابت بودن کیفیت آب را به خوبی نشان دهند. در این پایان¬نامه از روش ماشین بردار پشتیبان (SVM)، رگرسیون فرآیند گاوسی (GPR) و حافظه طولانی کوتاه-مدت (LSTM) به عنوان روش¬های هوشمند و روش-های تبدیل موجک گسسته (DWT) و تجزیه مد تجربی یکپارجه کامل (CEEMD) که از ابزارهای محاسبات نرم محسوب می شوند؛ برای تخمین اکسیژن محلول در پنج ایستگاه هیدرومتریک متوالی رودخانه ساواناه واقع در ایالات متحده آمریکا استفاده گردید. این بررسی در سه حالت پارامتریک، زمانی و مکانی انجام گرفت. در بررسی پارامتریک از داده-های دمای آب، کدورت، دبی، میانگین سرعت جریان، pH و رسانایی ویژه رودخانه و در بررسی زمانی و مکانی از پارامتر اکسیژن محلول برای تشکیل مدل¬های ورودی متعددی که متشکل از اکسیژن محلول روز¬های قبل و ایستگاه¬های بالادست و پایین دست است، استفاده شد. برای این منظور در روش پارامتریک مقدار اکسیژن محلول با استفاده از پارامترهای دیگر تخمین زده شد. نتایج نشان‌دهنده برتری کامل روش حافظه طولانی کوتاه-مدت بر روش¬های یادگیری ماشین بود. با توجه به نتایج بدست آمده در روش حافظه طولانی کوتاه-مدت برای مدل آخر که شامل تمامی پارامترها بود در ایستگاه چهارم بهترین نتیجه را بدست داد. همچنین در آنالیز حساسیت معین گردید که دمای آب تأثیر¬گذارترین پارامتر در تخمین اکسیژن محلول در آب می¬باشد. در مدل-سازی زمانی و مکانی پارامتر کیفی اکسیژن محلول در آب با استفاده از روش هوشمند حافظه طولانی کوتاه-مدت بر پایه روش¬های پیش پردازنده تبدیل موجک گسسته و روش تجزیه مد تجربی کامل در دو حالت زمانی و مکانی در پنج ایستگاه و پنج روز متوالی مورد بررسی قرار گرفت. نتایج حاصل از تحلیل مدل¬ها قابلیت و کارایی بالای روش به کار رفته را در تخمین میزان اکسیژن محلول در آب به خوبی نشان داد. از طرفی دیگر روش¬های پیش پردازنده باعث بهبود نتایج شدند. همچنین در بررسی¬های صورت گرفته مشاهده گردید که نتایج حاصل از تجزیه بر اساس تبدیل موجک در مدل¬سازی مکانی و همچنین تجزیه مد تجربی در مدل¬سازی زمانی موجب بهبود معیارهای ارزیابی شدند. در مدل¬سازی زمانی مشخص گردید اکسیژن محلول در یک روز تا حد زیادی تابع اکسیژن محلول در یک روز قبل می¬باشد. همچنین در مدل¬سازی مکانی جهت تخمین اکسیژن محلول در ایستگاه سوم نیز مشخص شد نتایج حاصل از ورودی¬های پارامتر اکسیژن محلول در یک روز قبل ایستگاه دوم و دو روز قبل ایستگاه اول بهترین نتیجه را دارا می¬باشد

Text of Note

Water quality prediction plays an important role in environmental monitoring, ecosystem stability and aquaculture. Traditional forecasting methods cannot show non-linearity and non-constancy of water quality well. In this thesis, Support Vector Machine (SVM), Gaussian Process Regression (GPR) and Long Short-Term Memory (LSTM) as intelligent methods and Discrete Wavelet Transform (DWT) and Complementary Ensemble Empirical Mode Decomposition (CEEMD) methods which are considered soft computing tools; It was used to estimate dissolved oxygen in five consecutive hydrometric stations of the Savannah River located in the United States of America. This survey was conducted in three parametric, temporal and spatial modes. In the parametric analysis of water temperature data, turbidity, discharge, average flow speed, pH and specific conductivity of the river and in the temporal and spatial analysis of the dissolved oxygen parameter to form several input models that consist of dissolved oxygen in previous days and upstream and downstream stations were used. For this purpose, the amount of dissolved oxygen was estimated using other parameters in the parametric method. The results showed the complete superiority of short-term long memory method over machine learning methods. According to the results obtained in the long short-term memory method for the last model that included all the parameters, it obtained the best result in the fourth station. Also, in the sensitivity analysis, it was determined that water temperature is the most influential parameter in the estimation of dissolved oxygen in water. In the temporal and spatial modeling of the quality parameter of oxygen dissolved in water using the intelligent long short-term memory method based on the discrete wavelet transform pre-processor methods and the ensemble empirical mode decomposition method in two temporal and spatial modes in five stations and five Consecutive days were examined. The results of the analysis of the models showed the ability and high efficiency of the method used in estimating the amount of dissolved oxygen in water. On the other hand, the preprocessor methods improved the results. It was also observed in the investigations that the results of analysis based on wavelet transformation in spatial modeling and also ensemble empirical mode decomposition in temporal modeling improved the evaluation criteria. In temporal modeling, it was determined that the dissolved oxygen in one day is largely a function of the dissolved oxygen in the previous day. Also, in the spatial modeling to estimate the dissolved oxygen in the third station, it was found that the results obtained from the inputs of the dissolved oxygen parameter one day before the second station and two days before the first station have the best results

Variant Title

Temporal and spatial modeling of water quality parameter of dissolved oxygen (DO) using a combination of long short-term memory and pre-processor methods

Entry Element

داودی،

Part of Name Other than Entry Element

‏سینا

Relator Code

تهیه کننده

Entry Element

‏‏روشنگر،

Entry Element

‏حسینی بقانام،

Part of Name Other than Entry Element

‏‏کیومرث

Part of Name Other than Entry Element

‏‏آیدا

Dates

استاد راهنما

Dates

استاد مشاور

Entry Element

تبریز