شبیه سازی عناصر نادر خاکی سریوم و لانتانیوم موجود در رسوبات آبراهه ای منطقه اشتهارد با استفاده از روش شبکه عصبی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری دانشکده مهندسی معدن و متالوژی دانشگاه یزد

2 دانشیار دانشکده مهندسی معدن و متالوژی دانشگاه یزد

چکیده

روش شبکه­ی عصبی مصنوعی که یک روش پیشرفته است که در برآورد سیستم­های دینامیک و غیرخطی موثر است. اخیرا استفاده از شبکه­های عصبی مصنوعی و روش­های آماری چند متغیره در موضوعات مهم زیست­محیطی مانند آلودگی خاک­ها و آب­های سطحی به انواع مختلف عنصر سمی رواج یافته است که در این مورد می­توان به ارائه­ی مدلی بر اساس شبکه­ی عصبی برای شبیه­سازی عناصر نادر خاکی پرداخت. با توجه به اهمیت عناصر نادر خاکی مخصوصا سریوم و لانتانیوم، این مطالعه با استفاده از روش شبکه عصبی به پیش­­بینی میزان این عناصر در منطقه­ی اشتهارد می­پردازد. روش انتخاب پیشرو Forward Selection)) به منظور انتخاب متغیرهای ورودی موثر بر روی پیش بینی مقادیر عناصر لانتانیوم و سریوم و کاهش تعداد کل متغیرها استفاده شد. از تعداد 45 متغیر ورودی اولیه برای هر کدام از عناصر لانتانیوم و سریوم، 23 متغیر موثر بر روی پیش­­بینی مقادیر این عناصر توسط روش انتخاب پیشرو انتخاب شدند. با توجه به مقادیر ضریب همبستگی (R2)، هر دو مدل (شبکه عصبی و انتخاب پیشرو) برای پیش­بینی مقادیر لانتانیوم و سریوم در منطقه مناسب هستند. اما روش انتخاب پیشرو مناسب­تر است، زیرا مقادیر ضریب همبستگی روش انتخاب پیشرو برای پیش­بینی لانتانیوم و سریوم بالاتر از روش شبکه عصبی است. هم­چنین در این مطالعه نشان داده شده است که مدل انتخاب پیشرو در پیش­بینی مقادیر لانتانیوم و سریوم به دلیل کاهش زمان محاسبات در نتیجه­ی تعداد متغیرهای ورودی کمتر مناسب­تر است.
 

کلیدواژه‌ها


Chen, S., Billings, S.A., Luo, W., 1989.Orthogonal least squares methods and their application to nonlinear system identification. International Journal of Control 50, 1873e1896.

Chen, S., Hong, X., Harris, C.J., Sharkey, P.M., 2004.Sparse modeling using orthogonal forward regression with PRESS statistic and regularization.IEEE Transactions on Systems, Man, and Cybernetics e Part B 34, 898e911.

Corcoran, J., Wilson, I., Ware, J., 2003. Predicting the geo-temporal variation of crime and disorder.International Journal of Forecasting 19, 623e634.

Cybenko, G., 1989. Approximationby superposition of a sigmoidal function.Mathematics of Control, Signals, and Systems 2, 303e314.

Eksioglu, B., Demirer, R., Capar, I., 2005. Subset selection in multiple linear regression: a new mathematical programming approach. Computers & Industrial Engineering 49, 155e167.

Jalili-Ghazizadeh, M., Noori, R., 2008.Prediction of municipal solid waste generation by use of artificial neural network: a case study of Mashhad. International Journal of Environmental Research 2, 13e22.

Khan, J.A., Aelst, S.V., Zamar, R.H., 2007.Building a robust linear model with forward selection and stepwise procedures.Computational Statistics & Data Analysis 52, 239e248.

Moghaddamnia, A., Ghafari-Gousheh, M., Piri, J., Amini, S., Han, D., 2009. Evaporation estimation using artificial neural networks and adaptive neuro-fuzzy inference system techniques.Advances in Water Resources 23, 88e97.

Noori, R., Abdoli, M.A., Ameri, A., Jalili-Ghazizadeh, M., 2009a.Prediction of municipal solid waste generation with combination of support vector machine and principal component analysis: a case study of Mashhad. Environmental Progress & Sustainable Energy 28, 249e258.

Noori, R.,Abdoli,M.A., Jalili-Ghazizadeh,M., Samifard, R.,2009c.ComparisonofANNand PCA based multivariate linear regression applied to predict the weekly municipal solid waste generation in Tehran. Iranian Journal of Public Health 38, 74e84.

Nunnari, G., Dorling, S., Schlink, U., Cawley, G., Foxall, R., Chatterton, T., 2004.Modelling SO2 concentration at a point with statistical approaches.EnvironmentalModelling& Software 19, 887e905.

Perez-Roaa, R., Castroa, J., Jorqueraa, H., Perez-Correaa, J.R., Vesovic, V., 2006.Airpollution modeling in an urban area: correlating turbulent diffusion coefficients by means of an artificial neural network approach. Atmospheric Environment 40, 109e125.

Seasholtz, M.B., Kowalski, B., 1993. The parsimony principle applied to multivariate calibration. AnalyticaChimicaActa 277, 165e177.

Wang, X.X., Chen, S., Lowe, D., Harris, C.J., 2006. Sparse support vector regression based on orthogonal forward selection for the generalised kernel model. Neurocomputing 70, 462e474.