فهرست نشریات علمی دسترسی آزاد ایران

تخمین دقیق ضریب پراکندگی طولی آلاینده­ها در اغلب مسائل هیدرولیکی و زیست­محیطی رودخانه مانند مهندسی رودخانه، طراحی آبگیر، مدل­سازی جریان در دلتاها و ارزیابی ریسک ناشی از تزریق آلاینده­ها به جریان رودخانه دارای اهمیت خاصی می­باشد. بررسی تحقیقات اخیر نشان می­دهد که استفاده از روش­های داده­محور باعث افزایش دقت و صحت تخمین ضریب پراکندگی طولی آلاینده­ها در رودخانه­های طبیعی شده است. در این تحقیق توانایی و عملکرد روش هوشمند داده­محور برخورد گروهی با داده­ها(GMDH) در تخمین ضریب پراکندگی طولی مورد بررسی قرار گرفته است. مجموعه­ای از 71 داده مشاهداتی از رودخانه­های مختلف گردآوری شده که 51 داده برای آموزش و 20 داده باقی­مانده برای آزمون مدل استفاده شده است. متغیرهای هیدرولیکی و هندسی ورودی مدل شامل عمق متوسط جریان(H)، عرض آبراهه(W)، سرعت متوسط طولی جریان(U)، سینوسیتی آبراهه(σ) و سرعت برشی متوسط بستر(U*) و متغیر خروجی ضریب پراکندگی طولی(Kx) می­باشند. یک برنامه کامپیوتری در محیط برنامه­نویسی نرم­افزار MATLAB برای مدل­سازی ضریب پراکندگی طولی بر اساس رویکرد هوشمند داده­محور GMDH  تهیه شده است. بررسی عملکرد مدل توسعه داده شده با استفاده از معیارهای آماری R2، RMSE، CC و DR حاکی از عملکرد بسیار بالای مدل GMDH در تخمین ضریب پراکندگی طولی در رودخانه دارد. همچنین مقایسه نتایج روش GMDH با چند رابطه تجربی و چند روش داده­محور دیگر مانند شبکه­های عصبی(ANN)، ماشین بردار پشتیبان(SVM) و الگوریتم ژنتیک(GA) بیانگر شناسایی صحیح الگوی حاکم بر فرایند پراکندگی طولی آلاینده­ها در رودخانه­های طبیعی توسط مدل توسعه داده شده می­باشد. مقادیر شاخص­های آماری RMSE، R2 و CC در مدل GMDH به ترتیب برابر با 5/21، 99/0 و 995/0 به دست آمده­ است که حاکی از عملکرد مناسب مدل ارایه شده در تخمین ضریب پراکندگی طولی آلاینده­ها در رودخانه­های طبیعی می­باشد