مقایسه برخی از مدل‌های هوش مصنوعی برای پیش‌بینی میزان اکسیژن محلول آب در استخرهای پرورش ماهی- مطالعه موردی: شهر اهواز

نویسندگان

چکیده

مصرف انرژی بالا و هزینه کارگری هواده‌ها سبب شده است که پرورش‌دهندگان ماهی کپور انگیزه بالایی برای خرید هواده نداشته باشند. میزان اکسیژن محلول آب یکی از مهم‌ترین پارامترهایی است که می‌توان از آن جهت روشن و خاموش نمودن خودکار هواده‌ها در استخرهای پرورش ماهیان استفاده نمود ولی به دلیل هزینه بالای سنسور اکسیژن باید از سایر پارامترها برای تخمین آن استفاده شود. این تحقیق با هدف ایجاد مدلی مناسب برای تخمین میزان اکسیژن محلول آب استخرهای پرورش ماهی اندازه‌گیری پارامترهای ورودی انجام گردید. پارامترهای ورودی pH و دمای آب و دما و رطوبت هوا و سرعت باد بودند. در طول دوره پرورش ماهی تمامی پارامترهای ورودی و خروجی اندازه‌گیری شدند و با سه مدل بررسی شدند. مدل اول شبکه عصبی مصنوعی بود و نتایج نشان داد تابع انتقال logsig-purelin با ?? نورون در لایه پنهان با میزان ??/? بیشترین ضریب تبیین را داشت. مدل دوم ادغام مدل شبکه عصبی با الگوریتم ژنتیک بود و نتایج نشان داد در بهترین حالت این مدل قادر است با ضریب تبیین ??/? میزان اکسیژن محلول آب را پیش‌بینی نماید. در مدل سوم از شبکه فازی- عصبی (ANFIS) استفاده گردید. نتایج نشان داد که این شبکه در وضعیت خوشه‌بندی کاهشی قادر است با ضریب تبیین ??/? اکسیژن محلول آب را تخمین بزند. بنابراین شبکه فازی- عصبی مناسب‌ترین روش برای ارزیابی میزان اکسیژن محلول استخرهای پرورش ماهی در منطقه مورد مطالعه بود.

کلیدواژه‌ها

عنوان مقاله [English]

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

نویسندگان [English]

  • Seied Mohammad Javad Afzali
  • Mohammad Javad Sheikhdavodi
  • Seied Reza Seiedmortezaie

چکیده [English]

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 R? was achieved by logsig-purelin transfer function with ?? neuron at hidden layer with ?.??. Second one was an aggregated ANN-AG model and its result showed that the maximum of R? was ?.?? and finally, Third one was Adaptive Nero Fuzzy Inference System (ANFIS) model and the results showed that at condition of ? Membership function per layer with gaussian type and constant output could estimate DO with R=?.?? accuracy. Therefore ANN was the best method for evaluation of DO at growing pools for the region under study.

کلیدواژه‌ها [English]

  • ANFIS
  • DO
  • GA
  • Neural Network
  • Genetic Algorithm
  • Adaptive Nero Fuzzy Inference System
  • ANNDissolved Oxygen