مدل‌سازي مواد جامد محلول با استفاده از رويكرد مبتني بر هوش مصنوعي بر پايه‌ الگوريتم‌هاي پيش‌پردازش‌كننده

كيفيت آب يكي از مهم‌ترين عوامل موثر در زندگي سالم و حيات بشر است. از اين‌رو، شناسايي مواد جامد محلول (TDS) يكي از مهم‌ترين عوامل آن مي‌‌باشد؛ كه بسياري از برنامه‌‌هاي توسعه منابع آب در شناسايي اين عوامل اجرا خواهند شد. پيش‌‌بيني دقيق پارامترهاي كيفيت آب يك نياز اساسي براي مديريت كيفيت آب، سلامت انسان، مصرف عمومي و مصارف خانگي است. در اين مطالعه، از يك الگوريتم پيش‌پردازش داده جديد، EEMD، براي تخمين يكي از پارامترهاي مهم كيفيت آب، بنام TDS‌‌ استفاده شد. پذيرش و قابليت اطمينان مدل‌‌هاي پيشنهادي (به عنوان مثال، شبكه هاي عصبي مصنوعي ‌‌(ANN)، ‌‌EEMD-ANN‌‌، ماشين بردار پشتيبان (SVM) و‌‌ EEMD-SVM)‌‌) با استفاده از پنج معيار عملكرد و نمودارهاي تصويري ارزيابي شد. مقايسه نتايج مدل‌‌هاي مستقل و تركيبي نشان داد كه الگوريتم‌‌هاي پيش‌‌پردازنده مي‌‌توانند عملكرد مدل SVM تركيبي را براي برآورد پارامتر كيفي TDS افزايش دهد. به عنوان مثال، مدل EEMD-SVM باRMSE برابر 23/20 براي مرحله آموزش و RMSE برابر 29/27 براي مرحله آزمايش در ايستگاه ورند و‌‌ 26/45=RMSE براي مرحله آموزش و 06/40=RMSE براي مرحله آزمايش در ايستگاه گرمرود، از ساير مدل‌‌هاي تركيبي و مستقل عملكرد بهتري داشت. از اين‌رو، مي‌‌توان روش تركيبي ماشين‌‌هاي بردار پشتيبان بر پايه الگوريتم پيش‌پردازش كننده EEMD را به عنوان يك مدل برتر به تصميم‌‌گيران جهت برنامه‌‌ريزي و مديريت در زمينه تشخصي كيفيت آب رودخانه‌‌ها پيشنهاد كرد.