تخمین ضریب پخش عرضی در انتقال آلودگی در رودخانه های عریض با استفاده از محاسبات تکاملی

در قرن اخیر با رشد روزافزون جمعیت شهرنشین، مشکلات متعددی در زمینه آلودگی و کیفیت منابع آبی مطرح شده است. بنابراین، شناخت و مطالعه فرایندهای اختلاط و انتقال مواد در رودخانه ها از جمله فعالیت های مهم در برنامه های مدیریت منابع آب به شمار می آید. بین فرایندهای اختلاط، پس از پدیده انتشار طولی، فرایند انتشار عرضی آلودگی، تاثیرگذارترین پارامتر محسوب می شود. با توجه به اهمیت انتقال و چگونگی انتشار آلودگی در رودخانه‏ها، تخمین ضریب پخش عرضی انتقال آلودگی در جریان های سطحی با استفاده از ماشین بردار پشتیبان (SVM) و با بهره گیری از دو کرنل تابع پایه شعاعی و چندجمله ای و مدل درخت (MT)، هدف اصلی پژوهش حاضر است. برای تخمین ضریب پخش عرضی از 187 سری داده که شامل عمق جریان، سرعت جریان، سرعت برشی و عرض کانال می شود، استفاده شده است. نتایج به دست آمده از معیارهای ارزیابی نشان داد مدل SVM-Poly دقت بیشتری در قرن اخیر با رشد روزافزون جمعیت شهرنشین، مشکلات متعددی در زمینه آلودگی و کیفیت منابع آبی مطرح شده است. بنابراین، شناخت و مطالعه فرایندهای اختلاط و انتقال مواد در رودخانه ها از جمله فعالیت های مهم در برنامه های مدیریت منابع آب به شمار می آید. بین فرایندهای اختلاط، پس از پدیده انتشار طولی، فرایند انتشار عرضی آلودگی، تاثیرگذارترین پارامتر محسوب می شود. با توجه به اهمیت انتقال و چگونگی انتشار آلودگی در رودخانه‏ها، تخمین ضریب پخش عرضی انتقال آلودگی در جریان های سطحی با استفاده از ماشین بردار پشتیبان (SVM) و با بهره گیری از دو کرنل تابع پایه شعاعی و چندجمله ای و مدل درخت (MT)، هدف اصلی پژوهش حاضر است. برای تخمین ضریب پخش عرضی از 187 سری داده که شامل عمق جریان، سرعت جریان، سرعت برشی و عرض کانال می شود، استفاده شده است. نتایج به دست آمده از معیارهای ارزیابی نشان داد مدل SVM-Poly دقت بیشتری (992/0R= و 982/0OI=) نسبت به مدل SVM-RBF دارد. همچنین مدل SVM-RBF دقت بیشتری (R = 0.968 and O = 950) نسبت به مدل MT (R = 0.966 and OI =0.946) در تخمین این پارامتر در مرحله آموزش داشت. مقادیر به دست آمده از DTدر مرحله تست هم ارزیابی شدند و مشخص شد که SVM-RBF با داشتن کمترین خطا (RMSE = 0.029) توانایی بهتری در تخمین DT دارد. علاوه بر این، مقایسه عملکرد روش های هوشمند با روابط تجربی بیان می کند که روابط تجربی دقت قابل قبولی نداشته اند. نسبت به مدل SVM-RBF دارد. همچنین مدل SVM-RBF دقت بیشتری (968/0R= و 950/0OI=) نسبت به مدل MT (966/0R= و 946/0OI=) در تخمین این پارامتر در مرحله آموزش داشت. مقادیر به دست آمده از DTدر مرحله تست هم ارزیابی شدند و مشخص شد که SVM-RBF با داشتن کمترین خطا (029/0RMSE) توانایی بهتری در تخمین DT دارد. علاوه بر این، مقایسه عملکرد روش های هوشمند با روابط تجربی بیان می کند که روابط تجربی دقت قابل قبولی نداشته اند.