عنوان پایان‌نامه
شناسایی محل و مقدار آلاینده در آبهای سطحی توسط روش داده‌کاوی
- رشته تحصیلی
- مهندسی کشاورزی - مهندسی منابع آب
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی پردیس کشاورزی و منابع طبیعی شماره ثبت: 5774;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 61742
- تاریخ دفاع
- ۳۱ شهریور ۱۳۹۲
- دانشجو
- مصطفی خورسندی
- استاد راهنما
- امید بزرگ حداد
- چکیده
- آلودگی آب یکی از مشکلات عمده در بحث تامین و حفاظت منابع آب می¬باشد و در این زمینه شناسایی منبع آلودگی، نقش مهمی در اقدامات کنترلی ایفا می¬کند. از این رو در این پژوهش به بررسی شناسایی منبع آلاینده، شامل تعیین مکان، غلظت و مدت تزریق در آب سطحی پرداخته شده است. به دلیل لزوم کاربرد یک روش شناسایی الگو، در میان رویکرد¬های مختلف شناسایی، از رویکرد آماری با استفاده از ابزار داده¬کاوی استفاده شد. از بین روش¬های مختلف داده¬کاوی، از شبکه عصبی مصنوعی(ANN)استفاده شد که برای تهیه داده¬های ورودی و خروجی آن از معادله تحلیلی انتقال-پخش آلاینده و همچنین مدل عددیCE-QUAL-W2استفاده گردید. برای بررسی توانایی این روش، مسئله شناسایی آلاینده در قالب مثال¬هایی، با در نظر گرفتن سناریوهای مختلف تزریق و پایش آلودگی در کانال منشوری و غیرمنشوری، طرح و اجرا شد. جهت ارزیابی و مقایسه این روش، مسئله شناسایی منبع آلاینده در سناریوها با استفاده از رویکرد بهینه¬سازی نیز صورت پذیرفت، که در آن از معادله تحلیلی انتقال-پخش یا مدل عددیCE-QUAL-W2 به عنوان شبیه¬ساز انتقال-پخش آلودگی و از الگوریتم جستجوی الگویی(PS) به عنوان بهینه¬ساز استفاده گردید. سپس نتایج حاصل در هر دو رویکرد با استفاده از معیارهای کارآیی مناسب مورد ارزیابی قرار گرفتند و همچنین تحلیل حساسیتی بر روی پارامترهای معادله تحلیلی انتقال-پخش آلاینده صورت پذیرفت. نتایج حاکی از توانایی روشANN در شناسایی آبنمود آلاینده تزریقی و حساسیت نسبی روش به دقت پایش می¬باشد به گونه¬ای که مانند رویکرد بهینه¬سازی برای داده¬های بدون خطا، آمارهR2 نزدیک به 100% و دو آمارهAAREوEنزدیک صفر می¬باشند. در شرایطی که منابع فعال متعدد تزریق آلاینده وجود داشته و اندازه¬گیری غلظت دارای خطا باشد،رویکرد بهینه¬سازی نتایج بهتر ازANN دارد به گونه¬ای که در منابع آلاینده و برای خطاهای 5 و 10 درصد، آمارهAARE در رویکرد بهینه-سازی به ترتیب کم¬تر از 7/3 و 7/5 درصد و در روشANN به ترتیب کم¬تر از 1/10 و 3/14 درصد می¬باشد. در حالتی که از بین چند منبع پتانسیل یکی فعال باشد، رویکرد بهینه¬سازی در سطوح مختلف خطا به خوبی قادر به تشخیص منبع فعال بوده در حالی که روشANN تنها در شرایط عدم وجود خطا قادر به تشخیص منبع غیرفعال است.
- Abstract
- Water pollution is one of the major problems in providing and preserving water resources, so identifying the pollution source plays a critical role in control measurements. Therefore in this research, the pollution source identification process including location, concentration and the time of injection in surface water are studied. Due to the need to apply apatternrecognition method among various approaches, the statistical approach was used utilizing data mining tool. The Artificial Neural Network (ANN) was the data mining method used in this research, in which the analytical equation of pollutant advection-dispersion and the CE-QUAL-W2 numerical model were used to produce the input and output data. To check the capability of this method, the identification of some different hypothetical examples of pollutant with different forms of injection and refining the pollutant in prismatic or non-prismatic water canal was suggested and performed. To evaluate and compare this method with the other potentially valuable methods, pollutant source was also identified by simulation-optimization approach in which the analytical equation of advection-dispersion or numerical model of CE-QUAL-W2 were the simulators of advection-dispersion of pollutant, and the Pattern Search algorithm (PS) was used as the optimizer. Then the results from both procedures were analyzed using proper efficiency criteria and also a sensitivity analysis was done on the model parameters. The results show that ANN method is capable of identifying the pollution hydrograph and it is relatively sensitive to monitoring precision, so that the criteria for the error-less data was nearly 100% and thecriteria for AARE and E was approximately zero as the result was similar in Simulation-Optimization procedure. Under the condition of having numerous active sources of pollutant and when measuring the concentration accompanies errors, the Optimization procedure suggests better results than ANN so that in numerous sources of pollutant and for 5% and 10% errors, the criteria AARE in Optimization procedure is less than 3.7% and 5.7%; and in ANN method it is less than 10.1% and 14.3%. If not all the sources of pollution are active, the optimization method is well capable of identifying the inactive source under different levels of error, while the ANN method is capable of identifying the inactive source only when there is no error.
