دانلود ترجمه مقاله روش های یادگیری ماشین در پیش بینی بهتر کیفیت آب

1. مقدمه 2. مطالعه موردی: حوضه رودخانه جوهور 3. روش تحقیق 4. نتایج و بحث و بررسی 5. نتیجه گیری

چکیده – در هر تجزیه و تحلیل سیستم آبی، مدلسازی پارامترهای کیفیت آب از اهمیت قابل توجهی برخوردار است. روش‌ های مدلسازی سنتی به مجموعه‌ داده هایی وابسته هستند که حاوی مقادیر زیادی داده ورودی ناشناخته یا نامشخص هستند و عموماً دربردارنده فرآیندهای زمان ‌بر می باشند. پیاده سازی هوش مصنوعی (AI) منجر به یک ساختار ریاضی انعطاف پذیر می شود، این ساختار می تواند روابط غیر خطی و پیچیده بین داده های ورودی و خروجی را شناسایی کند. حوضه رودخانه جوهور به دلیل انجام چندین فعالیت توسعه ای و انسانی، دچار تخریب زیادی شده است. بنابراین، راه اندازی مدل پیش بینی کیفیت آب برای مدیریت بهتر منابع آب از اهمیت بسیار زیادی برخوردار است و به عنوان یک ابزار قدرتمند عمل خواهد کرد. روش‌ های مدلسازی مختلفی که اجرا شده اند، عبارتند از: سیستم استنتاج عصبی فازی تطبیقی (ANFIS)، شبکه ‌های عصبی تابع پایه شعاعی (RBF-ANN) و شبکه ‌های عصبی پرسپترون چند لایه (MLP-ANN). با این حال، داده‌ های به ‌دست ‌آمده از ایستگاه ‌های نظارتی و آزمایش ‌ها احتمالاً آلوده به سیگنال ‌های نویزی می باشند که در نتیجه خطاهای تصادفی و سیستماتیک ایجاد می گردند. به دلیل وجود نویز در داده ها، پیش بینی دقیق امری نسبتاً دشوار است. از این رو، توصیه شده که از یک سیستم استنتاج عصبی فازی (WDT-ANFIS) مبتنی بر روش حذف نویز موجک تعمیم یافته استفاده گردد، این سیستم منوط به داده های تاریخی پارامتر کیفیت آب است. در حوزه موردنظر، پارامترهای کیفیت آب در درجه اول شامل نیتروژن آمونیاکی (AN)، جامدات معلق (SS) و pH است. به منظور ارزیابی تأثیرات مدل، از سه تکنیک ارزیابی یا فرآیند ارزیابی استفاده شده است. اولین فرآیند ارزیابی تابع تقسیم بندی وزن اتصال شبکه عصبی است، این فرایند اهمیت هر پارامتر ورودی در شبکه را مشخص می کند. از سوی دیگر، فرآیندهای ارزیابی دوم و سوم مؤثرترین ورودی را به دست می آوردند و پتانسیل ایجاد مدل‌ ها با استفاده از پارامتر واحد و ترکیبی را دارند. در طی این فرآیندها، دو سناریو معرفی شدند: سناریو 1 و سناریو 2. سناریو 1 یک مدل پیش بینی برای پارامترهای کیفیت آب در هر ایستگاه ایجاد می کند، در حالی که سناریو 2 یک مدل پیش بینی ایجاد می کند که مبتنی بر مقدار پارامتر ایستگاه قبلی (بالادست) است. هر دو سناریو مبتنی بر مقدار دوازده پارامتر ورودی هستند. برای اعتبارسنجی WDT-ANFIS از داده های میدانی سال های 2009 تا 2010 استفاده شد. مدلWDT-ANFIS بهبود قابل توجهی را در پیش ‌بینی دقت تمام پارامترهای کیفیت آب نشان داد و از همه مدل‌ های توصیه ‌شده بهتر عمل کرد. همچنین، عملکرد سناریوی 2 نسبت به سناریوی 1 مناسب ‌تر بود و بهبود قابل ‌توجهی در محدوده 0.5% تا 5% در تمامی پارامترهای کیفی آب در تمامی ایستگاه‌ ها ایجاد شد. در اعتبارسنجی مدل پیشنهادی، مشخص شد که مدل به طور رضایت بخشی تمام پارامترهای کیفیت آب (مقادیر R2 برابر یا بزرگتر از 0.9) را پیش ‌بینی می ‌کند.

In any aquatic system analysis, the modelling water quality parameters are of considerable significance. The traditional modelling methodologies are dependent on datasets that involve large amount of unknown or unspecified input data and generally consist of time-consuming processes. The implementation of artificial intelligence (AI) leads to a flexible mathematical structure that has the capability to identify non-linear and complex relationships between input and output data. There has been a major degradation of the Johor River Basin because of several developmental and human activities. Therefore, setting up of a water quality prediction model for better water resource management is of critical importance and will serve as a powerful tool. The different modelling approaches that have been implemented include: Adaptive Neuro-Fuzzy Inference System (ANFIS), Radial Basis Function Neural Networks (RBF-ANN), and Multi-Layer Perceptron Neural Networks (MLP-ANN). However, data obtained from monitoring stations and experiments are possibly polluted by noise signals as a result of random and systematic errors. Due to the presence of noise in the data, it is relatively difficult to make an accurate prediction. Hence, a Neuro-Fuzzy Inference System (WDT-ANFIS) based augmented wavelet de-noising technique has been recommended that depends on historical data of the water quality parameter. In the domain of interests, the water quality parameters primarily include ammoniacal nitrogen (AN), suspended solid (SS) and pH. In order to evaluate the impacts on the model, three evaluation techniques or assessment processes have been used. The first assessment process is dependent on the partitioning of the neural network connection weights that ascertains the significance of every input parameter in the network. On the other hand, the second and third assessment processes ascertain the most effectual input that has the potential to construct the models using a single and a combination of parameters, respectively. During these processes, two scenarios were introduced: Scenario 1 and Scenario 2. Scenario 1 constructs a prediction model for water quality parameters at every station, while Scenario 2 develops a prediction model on the basis of the value of the same parameter at the previous station (upstream). Both the scenarios are based on the value of the twelve input parameters. The field data from 2009 to 2010 was used to validate WDT-ANFIS. The WDT-ANFIS model exhibited a significant improvement in predicting accuracy for all the water quality parameters and outperformed all the recommended models. Also, the performance of Scenario 2 was observed to be more adequate than Scenario 1, with substantial improvement in the range of 0.5% to 5% for all the water quality parameters at all stations. On validating the recommended model, it was found that the model satisfactorily predicted all the water quality parameters (R2 values equal or bigger than 0.9).

ترجمه این مقاله در 48 صفحه آماده شده و در ادامه نیز صفحه 27 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.