مشخصات پژوهش

عنوان	مدلسازی مواد جامد محلول با استفاده از رویکرد مبتنی بر هوش مصنوعی بر پایه الگوریتمهای پیش پردازش کننده
نوع پژوهش	مقاله چاپ‌شده
کلیدواژه‌ها	الگوریتمهای پیش پردازش داده ها، پارامترهای کیفیت آب، جامدات جامد محلول، شبکه های عصبی مصنوعی، ماشین بردار پشتیبان.
چکیده	کیفیت آب یکی از مهمترین عوامل موثر در زندگی سالم و حیات بشر است. از اینرو، شناسایی مواد جامد محلول (TDS ) یکی از مهمترین عوامل آن می باشد؛ که بسیاری از برنامه های توسعه منابع آب در شناسایی این عوامل اجرا خواهند شد. پیش بینی دقیق پارامترهای کیفیت آب یک نیاز اساسی برای مدیریت کیفیت آب، سلامت انسان، مصرف عمومی و مصارف خانگی است. در این مطالعه، از یک الگوریتم پیش پردازش داده جدید، EEMD ،برای تخمین یکی از پارامترهای مهم کیفیت آب، بنام TDS استفاده شد. پذیرش و قابلیت اطمینان مدلهای پیشنهادی (به عنوان مثال، شبکه های عصبی مصنوعی (ANN- ،(EEMD ANN ،ماشین بردار پشتیبان (SVM) و (SVM-EEMD)با استفاده از پنج معیار عملکرد و نمودارهای تصویری ارزیابی شد. مقایسه نتایج مدلهای مستقل و ترکیبی نشان داد که الگوریتمهای پیش پردازنده می توانند عملکرد مدل SVM ترکیبی را برای برآورد پارامتر کیفی TDS افزایش دهد. به عنوان مثال، مدل SVM-EEMD باRMSE برابر 20.23 برای مرحله آموزش و RMSE برابر 27.29 برای مرحله آزمایش در ایستگاه ورند و 45.26=RMSE برای مرحله آموزش و 40.06=RMSE برای مرحله آزمایش در ایستگاه گرمرود، از سایر مدل های ترکیبی و مستقل عملکرد بهتری داشت. از اینرو، می توان روش ترکیبی ماشینهای بردار پشتیبان بر پایه الگوریتم پیش پردازش کننده EEMD را به عنوان یک مدل برتر به تصمیم گیران جهت برنامهریزی و مدیریت در زمینه تشخصی کیفیت آب رودخانه ها پیشنهاد کرد.
پژوهشگران	رضا مستوری (نفر دوم)، سعید پی پل زاده (نفر اول)، نازنین شاه کرمی (نفر سوم)