اثر نویز در پیش‌بینی زمانی جریان و انتقال آلودگی در محیط متخلخل با استفاده از مدل‌های هوش مصنوعی

زمینه و هدف: عدم قطعیت پارامترهای صحرایی، نویز در داده­های مشاهداتی و شرایط مرزی نامشخص از مهم‌ترین عوامل محدود کننده در مدل‌سازی جریان و انتقال آلودگی در محیط‌های متخلخل است. روش بررسی: در این تحقیق، دشت میاندوآب به‌عنوان مطالعه موردی برای شبیه­سازی تراز آب زیرزمینی و غلظت کلراید انتخاب شد. برای مدل‌سازی زمانی انتقال آلودگی از روش‌های هوش مصنوعی استفاده شد. در روش پیشنهادی، ابتدا سری­های زمانی تراز آب­ زیرزمینی و غلظت کلراید در پیزومترهای مختلف با استفاده از روش آستانه موجک رفع نویز شدند. در ادامه اثر نویز و رفع نویز در سری­های زمانی تراز آب زیرزمینی و غلظت کلراید در مدل‌های هوش مصنوعی موردبررسی قرارگرفت. برای این منظور، 14 پیزومتر مختلف با استفاده از شبکه عصبی مصنوعی و سیستم عصبی-فازی تطبیقی برای تخمین غلظت کلراید در یک ماه بعد، آموزش و اعتبارسنجی شدند. یافته­ها: نتایج نشان داد که روش آستانه موجک برای رفع نویز سری­های زمانی می­تواند تا 25 درصد کارایی مدل‌های هوش مصنوعی را افزایش دهد. همچنین توانایی مدل عصبی-فازی تطبیقی در هر دو مرحله آموزش و صحت سنجی به دلیل کارایی منطق فازی برای غلبه بر عدم قطعیت پدیده از شبکه عصبی مصنوعی بیش­تر بوده است. بحث و نتیجه­گیری: استفاده از رفع نویز موجکی سری­های زمانی به عنوان پیش­پردازش داده­ها در پیش­بینی زمانی جریان آب زیرزمینی و انتقال آلاینده­ها، کارایی مدل­های هوش مصنوعی را افزایش می­دهد.