دانلود مقاله تحقیق پایان نامه

رودخانه‌ها، مدل‌سازی

mg/L pH Q, m3/s TDS
μmhos/cm [do_widget id=kl-erq-2]
حداکثر 63.43 5.58 14.22 6.5 8.2 21.75 8.1 8 4.5 8.4 72.32 1464
حداقل 6.07 0.194 3.54 1.5 3.3 3.45 1.8 0.5 2.45 7.7 0 230
میانگین 7.64 0.26 6.98 2.14 4.21 6.96 3.3 0.64 2.89 7.75 7.488 456.5
اانحراف از معیار 4.95 0.4 1.94 1 1.3 1.97 1.77 0.617 0.483 0.267 11.97 156.7
ضریب تغییرات 0.65 1.36 0.281 0.47 0.31 0.288 0.54 0.96 0.167 0.034 1.6 0.243
چولگی 7.99 11.83 0.83 1.42 0.7 0.845 0.82 9.29 0.135 -0.68 3.48 0.61
R 0.4 0.125 0.972 0.56 0.82 0.973 0.933 0.57 -e-3 0.008 -.45 1
R2 0.167 0.015 0.946 0.31 0.67 0.947 0.82 0.32 e-5 e-4 0.21 1
انتخاب ورودی مدل ها برای پیش بینی پارامترهای کیفی
اولین مرحله و در عین حال از مهم ترین مراحل در ساخت مدل های ANNS انتخاب ورودی های موثر از بین اطلاعات موجود می باشد(Zealand et al 1999) [62] . انتخاب ورودی های مناسب به دلایل زیر مهم می باشد(Bowden et al 2005) [28] :
الف) با افزایش تعداد متغیرهای ورودی، پیچیدگی محاسباتی و حافظه مورد نیاز مدل به سرعت افزایش می یابد.
ب) با ورود متغیرهای زیاد آموزش مدل مشکل و ناکارآمد می باشد.
ج)ورود متغیرهای پرت سبب افزایش تعداد حداقل های موضعی در سطح خطا گردیده که این امر می تواند باعث عدم همگرایی و در نتیجه دقت پایین مدل گردد. برای انتخاب متغیرهای موثر تاکنون روش های زیادی ارائه گردیده است که می توان خلاصه ای از این روش ها را در کار ( Bowden et al 2005) یافت نمود. در این تحقیق از ضریب همبستگی بین لایه های ورودی و خروجی و همچنین از متداول ترین روش، یعنی سعی و خطا استفاده شده است. بدین منظور ترکیبات مختلفی از متغیرهای مورد نظر به عنوان ورودی مدل در نظر گرفته می شود و ترکیبی از متغیرها که بهترین خروجی را داشته باشد انتخاب می گردد، همچنین در انتخاب ورودی ها لازم است که توجیه فیزیکی ارتباط متغیرهای ورودی با متغیرهای خروجی، مد نظر باشد.
از آنجا که اکثر پایش های صورت گرفته در مدیریت منابع آب کشور به صورت ماهانه می باشد، در این تحقیق داده های 23 ساله ی غلظت ماهانه هدایت الکتریکی در مدل سازی مورد استفاده قرار گرفته و برای پیش بینی از تأخیرهای زمانی ماهانه استفاده شده است. مشخصات آماری داده ها در جدول شماره (5-3) آورده شده است. آخرین ردیف این جدول نشان دهنده ی ضریب همبستگی هدایت الکتریکی بازه ی زمانی مورد پیش بینی (Ect) با سایر تأخیرهای زمانی در ماه های گذشته می باشد. با توجه به ردیف آخر این جدول ، بیشترین همبستگی بین ماه مورد پیش بینی با داده های 1، 2، 6، 11 و 12 ماه قبل مشاهده شده و داده های ماه های فوق به عنوان ورودی های مدل پیش بینی مورد استفاده قرار گرفته است.
تأخیرهای زمانی ورودی مدل های پیش بینی
ماه مورد پیش بینی t
ECt-11 – ECt-12 ECt-6 ECt-1 – ECt-2
Ec-t Ec-t-1 Ec-t-2 Ec-t-3 Ec-t-4 Ec-t-5 Ec-t-6 Ec-t-7 Ec-t-8 Ec-t-9 Ec-t-10 Ec-t-11 Ec-t-12
1 0.722241 0.391185 0.043358 -0.25843 -0.45106 -0.51866 -0.48098 -0.29278 -0.00399 0.295776 0.558751 0.717666

علاوه بر این پیش بینی های انجام شده توسط مدلهای مختلف با ورودی های متنوع (تأخیرهای زمانی 1 تا 12 ماه قبل) کارایی تأخیرهای زمانی فوق به عنوان پیش بینی کننده مناسب را به اثبات رسانیده است. و تأخیرهای زمانی 1، 2، 6، 11 و 12 ماه قبل به عنوان تأخیرهای زمانی موثر و کارآمد برای پیش بینی پارامترهای کیفی رودخانه ها بدست آمده است.
در رابطه ی (5-2) که برای پیش بینی مورد استفاده قرار می گیرد ECp(t) هدایت الکتریکی پیش بینی شده رودخانه در ماه مورد پیش بینی و ECo(t-n) هدایت الکتریکی مشاهداتی در n ماه گذشته می باشد.

]]>