توسعه و ارزیابی فناوری اندازه‌گیری غلظت رسوبات معلق در محیط‌های آبی به روش اندازه-گیری نوری

نوع مقاله : مقاله پژوهشی

نویسندگان

1 1- استادیار گروه منابع طبیعی و محیط زیست، دانشکده کشاورزی، دانشگاه پیام نور، تهران، ایران

2 استادیار پژوهشکده مهندسی هیدرولیک و محیط های آبی، موسسه تحقیقات آب، وزارت نیرو، تهران، ایران

3 استاد گروه آموزشی مرتع و آبخیزداری، دانشکده منابع طبیعی و محیط زیست دانشگاه فردوسی مشهد، ایران

چکیده

پایش رسوبات معلق نقش مهمی در شناخت رفتار رودخانه، شناسایی کانون‎های فرسایش و رسوب و مدیریت بهتر اراضی آبخیزها ایفا می‌کند. درحال حاضر به دلیل هزینه‎های بالای پایش مستمر رسوبات معلق، برنامه‌ریزی و مدل‌سازی جهت مهار فرسایش با چالش‌های جدی روبروست. هدف از این پژوهش، توسعه فناوری و ارزیابی دستگاه بازتاب نوری اندازه‌گیر رسوب معلق با سامانه توام چند منبع نوری همراه با مدل‎سازی هوش مصنوعی (MLP , SVR ) می‌باشد. دستگاه مذکور پس از ساخت، طی مراحل مختلف آزمایشی در آزمایشگاه هیدرولیک موسسه تحقیقات آب وزارت نیرو مورد بررسی قرارگرفت. بررسی عملکرد دستگاه طی دو مرحله واسنجی و صحت‎سنجی انجام شد. در فرایند بررسی، تعداد40 نمونه رسوب تولید و نمونه‌برداری شد که 70٪ آن‎ها برای آموزش دستگاه و 30٪ باقیمانده جهت صحت‌سنجی استفاده شد. از کدورت‎سنج مرجع و نمونه‎برداری دستی جهت آزمون درستی عملکرد دستگاه استفاده گردید. منحنی‎های ترسیم شده، بیان‎گر همبستگی بسیار خوب بین عدد نوری ثبت شده توسط دستگاه و غلظت رسوب معلق می‎باشد. به‌منظور ارتقاء نتایج پیش‌بینی دستگاه، از روش هوشمند مبتنی بر آمار رگرسیون ماشین بردار (SVR) و همچنین شبکه عصبی پرسپترون چند لایه (MLP) استفاده گردید. در نهایت نتایج حاصله توسط شاخص‌های میانگین خطای مطلق (MAPE) ، مجذور میانگین مربعات خطا (RMSE)، ضریب ناش ساتکلیف(NSE) ، ضریب همبستگی (R)و ضریب تبیین (R2)مورد ارزیابی قرار گرفتند. نتایج نشان داد مقادیر شاخص‌های ارزیابی برای مدل MLP بعنوان مدل بهینه، به‌ترتیب برابر با 023/0، 608/7، 997/0، 999/0 و 999/0 می‌باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Assessment and development of an optical technology for continuous suspended sediment measurement in aquatic environments

نویسندگان [English]

  • fatemeh barzagari 1
  • Shervin Faghihi Rad 2
  • Mohammad Taghi Dastorani 3
1 Assistant Professor, Department of Natural Resources and Environment, Faculty of Agriculture, Payame Noor University, Tehran, Iran.
2 Assistant Professor, Department of Hydraulic Engineering and Hydro-Environment, Water Research Institute, Tehran, Iran
3 Full Professor, Faculty of Natural Resources and Environment, Ferdowsi University of Mashhsd. Iran
چکیده [English]

The aim of this research is to construct and validate an optical sensor with a multi-beam ratio technology and artificial intelligence-based modelling (MLP & SVR) for suspended sediment measuring. After implementation of the new technology, the performance of the device was evaluated in two stages including calibration and validation. To attain this, various experimental tests carried out in the hydraulic laboratory of Water Research Institute of the Ministry of Energy. Reference turbidity meter and total suspended solids (TSS) were used to test the performance of the OBS technology. In calibration stage, 70% of TSS data were used and the remaining 30% of data were used to validate optical technology. The plotted calibration curves show a very good correlation between the optical voltage recorded by the sensors and the suspended sediment concentration. Also, SVR & MLP models were employed to improv results of suspended load prediction. The performance of optical device and also optical device with intelligence models were evaluated through four statistical indices namely, Mean Absolute Percentage Error (MAPE), Root mean square Error (RMSE), Nash–Sutcliffe coefficient (NSE), correlation coefficient (R) and coefficient of determination (R2). The results of this stage showed that the intelligence modelling could result in improvements of suspended load reported by optical technology. The best improvements obtained by MLP-optical technology. The results showed that values of validation indicators for MLP model are equal to 0.023, 7.608, 0.99, 0.99 and 0.99 respectively, which indicates the proper performance of the technology.

کلیدواژه‌ها [English]

  • Artificial Intelligence
  • Multi-Layer Perceptron Neural Network
  • Optical Back Scatter
  • Turbidity Meter
  • Support Vector Regression