مدل‌سازی اکسیژن محلول با استفاده از روش یادگیری عمیق و روش‌های پیش‌پردازنده

نویسندگان

1 گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران.

2 گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز، تبریز، ایران.

doi
10.22059/jwim.2022.345864.1005
چکیده

آلودگی آب یک مشکل بزرگ جهانی است که به ارزیابی مداوم و تجدیدنظر در سیاست منابع آبی در همه سطوح احتیاج دارد. اکسیژن محلول (DO) یکی از مهم­ترین شاخص­های کیفیت آب است. در مطالعه حاضر، پارامتر کیفی اکسیژن محلول در آب با استفاده از روش هوشمند حافظه طولانی کوتاه‌مدت (LSTM) بر پایه روش­های پیش‌پردازنده تبدیل موجک گسسته (DWT) و روش تجزیه مد تجربی کامل (CEEMD) در دو حالت زمانی و مکانی در پنج ایستگاه متوالی بر روی رودخانه ساواناه مورد بررسی قرار گرفت. نتایج حاصل از تحلیل مدل­ها قابلیت و کارایی بالای روش به‌کاررفته را در تخمین میزان اکسیژن محلول در آب به خوبی نشان داد. از طرفی دیگر روش­های پیش‌پردازنده باعث بهبود نتایج شدند. هم‌چنین در بررسی­های انجام‌شده مشاهده شد که نتایج حاصل از تجزیه براساس تبدیل موجک در مدل‌سازی مکانی، به میزان دو درصد و هم‌چنین تجزیه مد تجربی در مدل‌سازی زمانی، به میزان 15 درصد میزان خطای RMSE را کاهش داد. بهترین حالت ارزیابی برای داده­های آزمون با استفاده از تجزیه مد تجربی در حالت مدل‌سازی زمانی مربوط به یک روز قبل با مقادیر 977/0=DC، 988/0=R و 017/0=RMSE به‌دست آمد. هم‌چنین در مدل‌سازی مکانی جهت تخمین اکسیژن محلول در ایستگاه سوم نیز مشخص شد نتایج حاصل از ورودی­های پارامتر اکسیژن محلول در یک روز قبل ایستگاه دوم و دو روز قبل ایستگاه اول بهترین نتیجه را دارا می­باشد.