مقایسة روشهای هوش مصنوعی و رگرسیون چندمتغیره برای واسنجی دستگاه القاگر الکترومغناطیس در منطقة اردکان
چکیده
بهمنظور واسنجی دادههای دستگاه القاگر الکترومغناطیس از روشهای مختلفی استفاده میشود. سؤال پیش رو این است که کدام یک از تکنیکها قابلیت بیشتری برای برآورد غیرمستقیم دادههای شوری خاک دارند. برای پاسخ به این پرسش، در پژوهش حاضر، از 600 نمونه خاک جمعآوریشده از منطقة اردکان برای واسنجی دادههای هدایت الکتریکی ظاهری خاک با استفاده از روشهای رگرسیونی و هوش مصنوعی بهره گرفته شد. در این راستا، دادهها به دو سری شامل سری آموزشی (80درصد دادهها) و سری ارزیابی (20درصد دادهها) تقسیم شد. بهمنظور مدلسازی و برآورد شوری، از مدلهای نروفازی، شبکة عصبی مصنوعی، الگوریتم ژنتیک و رگرسیون چندمتغیره استفاده شد. نتایج ارزیابی مدلها براساس شاخصهای ریشة مربعات خطا، میانگین خطا و ضریب تبیین نشان داد مدل نروفازی بالاترین دقت در برآورد شوری خاک در چهار عمق را دارد. بهطوریکه این مدل به میزان 9، 9، 5 و 2 درصد دقت برآورد شوری را بهترتیب در اعماق 15، 30، 60 و 100 سانتیمتری نسبت به روش رگرسیون خطی چندگانه افزایش داده است. با توجه به عدم قطعیت در پدیدههای مرتبط با خاک یا تقریبیبودن مقادیر اندازهگیریشده خصوصیات مختلف خاک، بهنظر میرسد کارایی بالاتر مدل مبتنی بر مجموعههای فازی در پردازش توابع انتقالی خاک به همین علت باشد. بعد از این مدل، الگوریتم ژنتیک و شبکههای عصبی مصنوعی نسبت به معادلات رگرسیونی کارایی بهتر داشته است. درمجموع، نتایج نشان داد روشهای هوش مصنوعی کارایی بالاتری نسبت به روشهای رگرسیونی برای واسنجی دستگاه القاگر الکترومغناطیس دارد.چکیده بهمنظور واسنجی دادههای دستگاه القاگر الکترومغناطیس از روشهای مختلفی استفاده میشود. سؤال پیش رو این است که کدام یک از تکنیکها قابلیت بیشتری برای برآورد غیرمستقیم دادههای شوری خاک دارند. برای پاسخ به این پرسش، در پژوهش حاضر، از 600 نمونه خاک جمعآوریشده از منطقة اردکان برای واسنجی دادههای هدایت الکتریکی ظاهری خاک با استفاده از روشهای رگرسیونی و هوش مصنوعی بهره گرفته شد. در این راستا، دادهها به دو سری شامل سری آموزشی (80درصد دادهها) و سری ارزیابی (20درصد دادهها) تقسیم شد. بهمنظور مدلسازی و برآورد شوری، از مدلهای نروفازی، شبکة عصبی مصنوعی، الگوریتم ژنتیک و رگرسیون چندمتغیره استفاده شد. نتایج ارزیابی مدلها براساس شاخصهای ریشة مربعات خطا، میانگین خطا و ضریب تبیین نشان داد مدل نروفازی بالاترین دقت در برآورد شوری خاک در چهار عمق را دارد. بهطوریکه این مدل به میزان 9، 9، 5 و 2 درصد دقت برآورد شوری را بهترتیب در اعماق 15، 30، 60 و 100 سانتیمتری نسبت به روش رگرسیون خطی چندگانه افزایش داده است. با توجه به عدم قطعیت در پدیدههای مرتبط با خاک یا تقریبیبودن مقادیر اندازهگیریشده خصوصیات مختلف خاک، بهنظر میرسد کارایی بالاتر مدل مبتنی بر مجموعههای فازی در پردازش توابع انتقالی خاک به همین علت باشد. بعد از این مدل، الگوریتم ژنتیک و شبکههای عصبی مصنوعی نسبت به معادلات رگرسیونی کارایی بهتر داشته است. درمجموع، نتایج نشان داد روشهای هوش مصنوعی کارایی بالاتری نسبت به روشهای رگرسیونی برای واسنجی دستگاه القاگر الکترومغناطیس دارد.
نویسنده : محمدجواد روستا، روح اله تقی زاده، فریدون سرمدیان، محمد حسن رحیمیانبهمنظور واسنجی دادههای دستگاه القاگر الکترومغناطیس از روشهای مختلفی استفاده میشود. سؤال پیش رو این است که کدام یک از تکنیکها قابلیت بیشتری برای برآورد غیرمستقیم دادههای شوری خاک دارند. برای پاسخ به این پرسش، در پژوهش حاضر، از 600 نمونه خاک جمعآوریشده از منطقة اردکان برای واسنجی دادههای هدایت الکتریکی ظاهری خاک با استفاده از روشهای رگرسیونی و هوش مصنوعی بهره گرفته شد. در این راستا، دادهها به دو سری شامل سری آموزشی (80درصد دادهها) و سری ارزیابی (20درصد دادهها) تقسیم شد. بهمنظور مدلسازی و برآورد شوری، از مدلهای نروفازی، شبکة عصبی مصنوعی، الگوریتم ژنتیک و رگرسیون چندمتغیره استفاده شد. نتایج ارزیابی مدلها براساس شاخصهای ریشة مربعات خطا، میانگین خطا و ضریب تبیین نشان داد مدل نروفازی بالاترین دقت در برآورد شوری خاک در چهار عمق را دارد. بهطوریکه این مدل به میزان 9، 9، 5 و 2 درصد دقت برآورد شوری را بهترتیب در اعماق 15، 30، 60 و 100 سانتیمتری نسبت به روش رگرسیون خطی چندگانه افزایش داده است. با توجه به عدم قطعیت در پدیدههای مرتبط با خاک یا تقریبیبودن مقادیر اندازهگیریشده خصوصیات مختلف خاک، بهنظر میرسد کارایی بالاتر مدل مبتنی بر مجموعههای فازی در پردازش توابع انتقالی خاک به همین علت باشد. بعد از این مدل، الگوریتم ژنتیک و شبکههای عصبی مصنوعی نسبت به معادلات رگرسیونی کارایی بهتر داشته است. درمجموع، نتایج نشان داد روشهای هوش مصنوعی کارایی بالاتری نسبت به روشهای رگرسیونی برای واسنجی دستگاه القاگر الکترومغناطیس دارد.چکیده بهمنظور واسنجی دادههای دستگاه القاگر الکترومغناطیس از روشهای مختلفی استفاده میشود. سؤال پیش رو این است که کدام یک از تکنیکها قابلیت بیشتری برای برآورد غیرمستقیم دادههای شوری خاک دارند. برای پاسخ به این پرسش، در پژوهش حاضر، از 600 نمونه خاک جمعآوریشده از منطقة اردکان برای واسنجی دادههای هدایت الکتریکی ظاهری خاک با استفاده از روشهای رگرسیونی و هوش مصنوعی بهره گرفته شد. در این راستا، دادهها به دو سری شامل سری آموزشی (80درصد دادهها) و سری ارزیابی (20درصد دادهها) تقسیم شد. بهمنظور مدلسازی و برآورد شوری، از مدلهای نروفازی، شبکة عصبی مصنوعی، الگوریتم ژنتیک و رگرسیون چندمتغیره استفاده شد. نتایج ارزیابی مدلها براساس شاخصهای ریشة مربعات خطا، میانگین خطا و ضریب تبیین نشان داد مدل نروفازی بالاترین دقت در برآورد شوری خاک در چهار عمق را دارد. بهطوریکه این مدل به میزان 9، 9، 5 و 2 درصد دقت برآورد شوری را بهترتیب در اعماق 15، 30، 60 و 100 سانتیمتری نسبت به روش رگرسیون خطی چندگانه افزایش داده است. با توجه به عدم قطعیت در پدیدههای مرتبط با خاک یا تقریبیبودن مقادیر اندازهگیریشده خصوصیات مختلف خاک، بهنظر میرسد کارایی بالاتر مدل مبتنی بر مجموعههای فازی در پردازش توابع انتقالی خاک به همین علت باشد. بعد از این مدل، الگوریتم ژنتیک و شبکههای عصبی مصنوعی نسبت به معادلات رگرسیونی کارایی بهتر داشته است. درمجموع، نتایج نشان داد روشهای هوش مصنوعی کارایی بالاتری نسبت به روشهای رگرسیونی برای واسنجی دستگاه القاگر الکترومغناطیس دارد.
تعداد صفحه : 11
مشخصات فایل : 592KB / PDF
قیمت : رایگان