مقایسه کارآیی الگوریتم M5 و برنامه ریزی ژنتیک در محاسبه ضریب انتشار طولی آلاینده ها در رودخانه ها

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 443

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCIID02_095

تاریخ نمایه سازی: 6 بهمن 1395

چکیده مقاله:

انتشار آلاینده ها در مجاری رو باز یکی از مسایل مهم و اساسی در مباحث محیط زیست به حساب می آید. پیشرویآلاینده ها در جریان ورودی به سیستم های آبیاری می تواند عواقب و صدماتی را در پی داشته باشد. از این رو شناسایی نحوه انتشارآلاینده ها حائز اهمیت می باشد. طی پژوهش های صورت گرفته محققان مختلف روابط تجربی جهت شبیه سازی ضریب پخشیدگیطولی ارائه نموده اند. از طرفی امروزه با پیشرفت علوم رایانه ای الگوریتم های متنوعی ابداع شده و روش های نوینی برای شبیه سازیمسائل پیچیده و رخداد ها پیش روی مجققین قرار گرفته است. در تحقیق ضمن بررسی تعدادی از روابط تجربی، از الگوریتم درختیM5 و برنامه ریزی ژنتیک (GP) به عنوان روش های نوین برای بررسی ضریب انتشار طولی استفاده شده است. پس از مقایسه نتایج روش های مختلف با یکدیگر، رابطه تجربی سئو و چانگ با دقتی معادل 99 % به عنوان دقیق ترین رابطه تجربی انتخاب شد. مدل هایهوشمند GP و M5 به ترتیب دارای معیار دقت 62 % و 61 % بودند اما به دلیل این اختلاف ناچیز و سادگی مدل ارائه داده شده توسط M5 نسبت به مدل GP، مدل درختی M5 به عنوان کاراترین مدل در تحقیق حاضر انتخاب شد.

کلیدواژه ها:

نویسندگان

حسین نزاراتیان

دانشجوی کارشناسی ارشد سازه های آبی، دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

جواد ظهیری

استادیار گروه مهندسی آب، دانشگاه کشاورزی و منابع طبیعی رامین خوزستان

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Bhattacharya, B. and D. P. Solomatine. 2006. Machine learning in ...
  • Etemad- Shahidi, A. and J. Mahjoobi. 2009. Comparison between M5 ...
  • Etemad -Shahidi, A. and M. Taghipour. 2012. Predicting longitudinal dispersion ...
  • Sattar, A. M. A. and B. Gharabaghi 2015. Gene expression ...
  • Elder, J.W., 1959. The dispersion of a marked fluid in ...
  • Fischer, B.H., List, E.., Koh, C.Y, Imberger, J., Brooks, N.H., ...
  • Seo, I.W. and T.S. Cheong. 1998. Predicting longitudinal dispersion coefficient ...
  • Kashefipour, S.M., Falconer, R.A., 2002. Longitudinal dispersion coefficients in natural ...
  • Quinlan, J.R.1992. Learning with continuous classes. Proceedings of AI92, World ...
  • Koza, J. R., "Genetic Programming", the MIT Press, Cambridge, Massachusetts, ...
  • Ghorbani, M. _ Rahman, Khatibi, R., Aytek, A, Makarynskyy, O., ...
  • Goldberg, D. E., "Genetic Algorithms in Search, Optimization, and Machine ...
  • نمایش کامل مراجع