مقايسه برخي از مدل هاي هوش مصنوعي براي پيش بيني ميزان اكسيژن محلول آب در استخرهاي پرورش ماهي- مطالعه موردي: شهر اهواز

Comparison of different artificial intelligence-based models for prediction of dissolved oxygen rates at fish growing pools- Case Study: Ahvaz city

مصرف انرژي بالا و هزينه كارگري هواده ها سبب شده است كه پرورش دهندگان ماهي كپور انگيزه بالايي براي خريد هواده نداشته باشند. ميزان اكسيژن محلول آب يكي از مهم ترين پارامترهايي است كه مي توان از آن جهت روشن و خاموش نمودن خودكار هواده ها در استخرهاي پرورش ماهيان استفاده نمود ولي به دليل هزينه بالاي سنسور اكسيژن بايد از ساير پارامترها براي تخمين آن استفاده شود. اين تحقيق با هدف ايجاد مدلي مناسب براي تخمين ميزان اكسيژن محلول آب استخرهاي پرورش ماهي اندازه گيري پارامترهاي ورودي انجام گرديد. پارامترهاي ورودي pH و دماي آب و دما و رطوبت هوا و سرعت باد بودند. در طول دوره پرورش ماهي تمامي پارامترهاي ورودي و خروجي اندازه گيري شدند و با سه مدل بررسي شدند. مدل اول شبكه عصبي مصنوعي بود و نتايج نشان داد تابع انتقال logsig-purelin با 17 نورون در لايه پنهان با ميزان 70 /0 بيشترين ضريب تبيين را داشت. مدل دوم ادغام مدل شبكه عصبي با الگوريتم ژنتيك بود و نتايج نشان داد در بهترين حالت اين مدل قادر است با ضريب تبيين 41 /0 ميزان اكسيژن محلول آب را پيش بيني نمايد. در مدل سوم از شبكه فازي- عصبي (ANFIS) استفاده گرديد. نتايج نشان داد كه اين شبكه در وضعيت خوشه بندي كاهشي قادر است با ضريب تبيين 87 /0 اكسيژن محلول آب را تخمين بزند. بنابراين شبكه فازي- عصبي مناسب ترين روش براي ارزيابي ميزان اكسيژن محلول استخرهاي پرورش ماهي در منطقه مورد مطالعه بود.

High energy consumption and worker costs caused to fish growers don?t have highly motivated to buy aerators. Dissolved Oxygen (DO) is one of the importance parameters which can be applied for time of starting and finishing activity of aerators however its sensor is expensive and should be estimated by other parameters. The aim of this research was to create a suitable model to estimate DO rate at growing pools. Input parameters were pH and temperatures of water، moisture and temperature of air and wind speed. Along growing period total of parameters were measured and with three models were estimated. The first one was Artificial Neural Network (ANN). The results showed that the maximum R2 was achieved by logsig-purelin transfer function with 17 neuron at hidden layer with 0.70. Second one was an aggregated ANN-AG model and its result showed that the maximum of R2 was 0.41 and finally، Third one was Adaptive Nero Fuzzy Inference System (ANFIS) model and the results showed that at condition of 3 Membership function per layer with gaussian type and constant output could estimate DO with R=0.87 accuracy. Therefore ANN was the best method for evaluation of DO at growing pools for the region under study.