| چالش‌های روش‌های یادگیری ماشین مبتنی بر عدم قطعیت در مدل‌سازی و پایش کیفیت آب |
| کد مقاله : 1693-IWWA |
| نویسندگان |
|
پارسا صدری امشی1، علیرضا سپهری هلان2، حنیفه ایمانیان *1 1دانشگاه صنعتی امیرکبیر 2دانشگاه علم و صنعت ایران |
| چکیده مقاله |
| پایش کیفیت منابع آب در شرایط تغییرات اقلیمی، نوسانات هیدرولوژیکی و ظهور آلاینده‌های جدید، مستلزم توسعه مدل‌هایی با قابلیت تعمیم‌پذیری بالا و کمی‌سازی عدم قطعیت است. شاخص‌های متداول کیفیت آب ممکن است به دلیل تجمیع و زیرشاخص‌سازی پارامترهای متفاوت، وضعیت بحرانی برخی آلاینده‌ها را در امتیاز نهایی منعکس نکنند. فرایندی که به‌تنهایی می‌تواند بیش از ۱۲ درصد در تولید عدم قطعیت کلی شاخص نقش داشته باشد. از سوی دیگر، وابستگی مدل‌های سنتی یادگیری ماشین به داده‌های محلی و ارائه پیش‌بینی‌های قطعی، تعمیم‌پذیری آن‌ها را در شرایط محیطی متفاوت محدود می‌سازد. برای غلبه بر این چالش‌ها، در پژوهش حاضر ظرفیت روش‌های احتمالاتی، از جمله شبکه‌های عصبی بیزی (BNN) و رگرسیون فرآیند گوسی (GPR)، برای برآورد عدم قطعیت در پیش‌بینی‌ها بررسی می‌شود. همچنین، قابلیت شبکه‌های عصبی فیزیک‌محور (PINNs) در بهره‌گیری از معادلات هیدرولوژیکی جهت طراحی سامانه‌های پایش ارزیابی می‌گردد. درحالی‌که ادغام قیود فیزیکی می‌تواند نیاز به داده‌های آموزشی را تا ۳۰ برابر کاهش دهد، چالش‌های پیاده‌سازی و عدم قطعیت‌های این رویکرد نیز تبیین می‌شود. در نهایت، ترکیب این معماری‌های پیشرفته چارچوبی را برای پشتیبانی از تصمیم‌گیری‌های عملیاتی و مدیریت ریسک در سامانه‌های منابع آب فراهم می‌کند. |
| کلیدواژه ها |
| شاخص کیفیت آب، کمی‌سازی عدم قطعیت، یادگیری ماشین، شبکه‌های عصبی فیزیک‌محور |
| وضعیت: پذیرفته شده برای ارسال فایل های ارائه پوستر |
