توسعه مدلي مناسب بر مبناي شبكه عصبي مصنوعي و ماشين بردار پشتيبان براي پيش‌بيني بهنگام اكسيژن‌خواهي بيوشيميايي 5 روزه

Developing a Proper Model for Online Estimation of the 5-Day Biochemical Oxygen Demand Based on Artificial Neural Network and Support Vector Machine

محدوديت سنسورهاي سخت‌افزاري براي اندازه‌گيري برخي مشخصه‌هاي كيفي آب مانند اكسيژن‌خواهي بيوشيميايي 5 روزه (BOD5) كه از لحاظ زماني هزينه‌بر هستند، تلاش‌ها را به سمت استفاده از سنسورهاي نرم‌افزاي براي پيش‌بيني بهنگام BOD5 سوق داده است. هدف اصلي مقاله مذكور نيز توسعه سنسور نرم‌افزاري مناسب بر مبناي مدل‌هاي هوشمند شبكه عصبي مصنوعي (ANN) و ماشين بردار پشتيبان (SVM) براي تخمين بهنگام BOD5 در رودخانه سفيدرود است. براي اين منظور با قرار دادن BOD5 به عنوان تابعي از ديگر متغيرهاي كيفيت آب، مدل‌هاي مناسبي براي اين موضوع با استفاده از دو مدل ANN و SVM توسعه داده شد. در توسعه مدل ANN نقش توابع آموزش لونبرگ-ماركويت (LM)، پس انتشار ارتجاعي (RP) و گراديان مزدوج مقياس‌دار (SCG) در بهينه كردن مشخصه‌هاي ANN ارزيابي شد. همچنين براي بهينه كردن مشخصه‌هاي مدل SVM از الگوريتم بهينه‌سازي جستجوي شبكه دو مرحله‌اي استفاده شد. نتايج اين تحقيق مبين عملكرد برتر مدل ANN با الگوريتم LM ( مدل ANN (LM)) نسبت به دو الگوريتم ديگر بود. همچنين مدل SVM نيز از عملكرد مناسبي در تخمين BOD5 برخوردار بود، به طوري‌كه مقدار ضريب همبستگي پيرسون براي اين مدل در مرحله تست معادل 95/0 به‌دست آمد. در نهايت نيز بررسي‌هاي بيشتر براي ارزيابي يكي از دو مدل منتخب بر مبناي آماره نسبت تفاوت توسعه داده شده انجام پذيرفت كه نتايج به‌دست آمده از اين آماره حاكي از عملكرد برتر مدل SVM نسبت به ANN (LM) بود.

Recently, hardware sensors are widely used in monitoring and measurement of water quality parameters. Constraint of the instrument to measure some water quality parameters such as the 5-day biochemical oxygen demand (BOD5), which are time consuming, causes efforts are diverted to the use of software sensors for online prediction of BOD5. The main goal of this research is developing an appropriate software sensor based on artificial neural network (ANN) and supported vector machines (SVM) models for online prediction of BOD5 in the Sefidrood River. For this purpose, appropriate models with ANN and SVM are developed by considering BOD5 as a function of other water quality variables. In the development of ANN model the role of various training functions such as Levenberg-Marquardt (LM), resilient back-propagation (RP) and scaled conjugate gradient (SCG) algorithms on optimization of ANN parameters is evaluated. Also for optimization of SVM parameters, two-step grid search algorithm is conducted. The results of this research indicated that superior performance of ANN model with LM algorithm (ANN (LM) model) than the other two algorithms i.e. RP and SCG. Besides SVM model had a suitable performance in BOD5 prediction, so that Pearson correlation coefficient (R) in the test step of the model obtained as 0.95. Finally, the further investigation for selection of the best model between ANN (LM) and SVM based on Developed discrepancy ratio statistic is executed. Results of DDR statistic indicated superior performance of SVM model than ANN (LM) for online prediction of BOD5 in the Sefidrood River.