فصلنامه علمی مدیریت محیط زیست شهری
فصلنامه مدیریت محیط زیست شهری

طراحی سامانه‌ی هشدار سریع برای تشخیص ناهنجاری‌ها در فرایندهای با ابعاد بالا با استفاده از سیستم استنتاج فازی عصبی تطبیقی

نوع مقاله : مقاله پژوهشی

نویسندگان

منیره خیاط 1
رسول نورالسناء 2
پریا سلیمانی 3
صدیق رئیسی 4

1 دانشگاه آزاد اسلامی واحد تهران جنوب - دانشگده مهندسی صنایع

2 دانشکده مهندسی صنایع دانشگاه علم و صنعت ایران ، تهران ، ایران

3 دانشگاه آزاد اسلامی ،واحد تهران جنوب

4 دانشگاه آزاد اسلامی ،واحدتهران جنوب

https://doi.org/10.48306/juem.2026.583807.1157
چکیده
در سال‌های اخیر، پایش هوشمند کیفیت آب و تشخیص زودهنگام آلودگی به دلیل رفتار غیرخطی، نویز و عدم قطعیت داده‌های محیطی، به یکی از چالش‌های مهم مدیریت منابع آب تبدیل شده است. در این پژوهش، چارچوب ترکیبی مبتنی بر تبدیل موجک و سیستم استنتاج فازی-عصبی تطبیقی برای تشخیص ناهنجاری‌های کیفیت آب ارائه شده است. ابتدا غلظت فسفات کل (TP) با استفاده از رابطه ساروگیت برآورد شد. سپس سری زمانی با استفاده از تبدیل موجک نویززدایی و به عنوان ورودی مدل ANFIS استفاده گردید. پس از آموزش مدل، خطای باقی‌مانده بین مقادیر واقعی و پیش‌بینی‌شده استخراج و آستانه تشخیص ناهنجاری بر اساس برازش توزیع‌های آماری مختلف تعیین شد. نتایج شاخص‌های آماری شامل AIC، BIC و آزمون کولموگروف-اسمیرنوف نشان داد که توزیع لجستیک نسبت به توزیع‌های نرمال و لاپلاس برازش مناسب‌تری برای مدل‌سازی خطاهای باقی‌مانده ارائه می‌دهد. برای ارزیابی عملکرد مدل، دو سناریوی آلودگی با شدت‌های مختلف تعریف و ازشاخص های ارزیابی ماتریس درهم‌ریختگی استفاده شد. نتایج نشان داد که مدل Wavelet–ANFIS در سناریوی دوم با دستیابی به Accuracy برابر با 98.07%، Recall برابر با 98.98%، Specificity برابر با 99.04% و F1-score برابر با 99.08% بهترین عملکرد را ارائه داده است. همچنین استفاده از تبدیل موجک پیش از مرحله یادگیری موجب کاهش خطا، بهبود پایداری مدل و افزایش توانایی تشخیص رخدادهای واقعی آلودگی شده است. نتایج این پژوهش بیانگر آن است که چارچوب پیشنهادی Wavelet–ANFIS می‌تواند به عنوان ابزاری مؤثر برای پایش هوشمند کیفیت آب و هشدار سریع آلودگی در محیط‌های دارای داده‌های غیرخطی و نویزی مورد استفاده قرار گیرد.

کلیدواژه‌ها

آلودگی آب
ناهنجاری
فرایند با ابعاد بالا
سیستم استنتاج فازی عصبی تطبیقی
تبدیل موجک
1.    Akhtar, N., Syakir Ishak, M. I., Bhawani, S. A., and Umar, K. (2021). “Various natural and anthropogenic factors responsible for water quality degradation: A review.” Water, 13(19), 2660. https://doi.org/10.3390/w13192660
2.    Xu, G., Fan, H., Oliver, D. M., Dai, Y., Li, H., Shi, Y., Long, H., Xiong, K., and Zhao, Z. (2022). “Decoding river pollution trends and their landscape determinants in an ecologically fragile karst basin using a machine learning model.” Environmental Research, 214(Part 4), 113843. https://doi.org/10.1016/j.envres.2022.113843
3.    Wali, S. U. (2021). “The need for a multi-pollutant approach to model the movement of pollutants in surface-water: A review of status and future challenges.” International Journal of Agriculture and Animal Production, 1(1), 26–58. https://doi.org/10.55529/ijaap.11.26.58
4.    Bieroza, M. Z., and Heathwaite, A. L. (2015). “Seasonal variation in phosphorus concentration–discharge hysteresis inferred from high-frequency in situ monitoring.” Journal of Hydrology, 524, 333–347. https://doi.org/10.1016/j.jhydrol.2015.02.036
5.    Kusari, L. (2022). “Turbidity as a surrogate for the determination of total phosphorus, using relationship based on sub-sampling techniques.” Ecological Engineering & Environmental Technology, 23(4), 88–93. https://doi.org/10.12912/27197050/150233
6.    Bowes, M. J., Loewenthal, M., Read, D. S., Hutchins, M. G., Prudhomme, C., Armstrong, L. K., Harman, S. A., Wickham, H. D., Gozzard, E., and Carvalho, L. (2016). “Identifying multiple stressor controls on phytoplankton dynamics in the River Thames (UK) using high-frequency water quality data.” Science of the Total Environment, 569–570, 1489–1499. https://doi.org/10.1016/j.scitotenv.2016.06.239
7.    Mozo, A., Morón-López, J., Vakaruk, S., Pompa-Pernía, A. G., González-Prieto, A., Pascual Aguilar, J. A., Gómez-Canaval, S., and Ortiz, J. M. (2022). “Chlorophyll soft-sensor based on machine learning models for algal bloom predictions.” Scientific Reports, 12, 13529. https://doi.org/10.1038/s41598-022-17299-5
8.    Yoon, H. N., Marshall, L., Sharma, A., and Kim, S. (2022). “Bayesian model calibration using surrogate streamflow in ungauged catchments.” Water Resources Research, 58(1), e2021WR031287. https://doi.org/10.1029/2021WR031287
9.    Liu, P., Wang, J., Sangaiah, A. K., Xie, Y., and Yin, X. (2019). “Analysis and prediction of water quality using LSTM deep neural networks in IoT environment.” Sustainability, 11(7), 2058. https://doi.org/10.3390/su11072058
10.Dogo, E. M., Nwulu, N. I., Twala, B., and Aigbavboa, C. (2019). “A survey of machine learning methods applied to anomaly detection on drinking-water quality data.” Urban Water Journal, 16(3), 235–248. https://doi.org/10.1080/1573062X.2019.1637002
11. Mola, M., and Amiri-Ahouee, R. (2021). “ANFIS model based on fuzzy C-mean, grid partitioning and subtractive clustering to detection of stator winding inter-turn fault for PM synchronous motor.” International Transactions on Electrical Energy Systems, 31(3), e12770. https://doi.org/10.1002/2050-7038.12770
12.Sun, Y., Babovic, V., and Chan, E. S. (2010). “Multi-step-ahead model error prediction using time-delay neural networks combined with chaos theory.” Journal of Hydrology, 395(1–2), 109–116. https://doi.org/10.1016/j.jhydrol.2010.10.020
13.Tiwari, S., Babbar, R., and Kaur, G. (2018). “Performance evaluation of two ANFIS models for predicting water quality index of River Satluj (India).” Advances in Civil Engineering, 2018, Article ID 8971079. https://doi.org/10.1155/2018/8971079
14.Kabolizadeh, M., Rangzan, K., Zareie, S., Rashidian, M., and Delfan, H. (2022). “Evaluating quality of surface water resources by ANN and ANFIS networks using Sentinel-2 satellite data.” Earth Science Informatics, 15(1), 523–540. https://doi.org/10.1007/s12145-021-00741-z
15.Bhagowati, B., Talukdar, B., Narzary, B. K., and Ahamad, K. U. (2022). “Prediction of lake eutrophication using ANN and ANFIS by artificial simulation of lake ecosystem.” Modeling Earth Systems and Environment, 8, 5289–5304. https://doi.org/10.1007/s40808-022-01377-8
16.Khayat, M., Noorossana, R., Soleimani, P., and Raissi, S. (2024). “Hybrid algorithm for early detection of water pollution impact on environmental indicators using wavelet techniques and RBF neural network learning.” Pollution, 10(4), 1074–1091. https://doi.org/10.22059/poll.2024.372064.2246
17.U.S. Environmental Protection Agency. (2013). Water Quality Event Detection System Challenge: Methodology and Findings. EPA 817-R-13-002, Office of Water, U.S. Environmental Protection Agency. https://www.epa.gov/sites/default/files/2015-07/documents/water_quality_event_detection_system_challenge_methodology_and_findings.pdf
18.U.S. Geological Survey. (2017). National Hydrography Dataset High-Resolution Flowline Data. The National Map. Accessed 20 May 2017. https://www.usgs.gov/national-hydrography/nhdplus-high-resolution
19.Byrand, K. (2010). “Nature and History in the Potomac Country: From Hunter-Gatherers to the Age of Jefferson.” Journal of Historical Geography, 36(2), 233–234. https://doi.org/10.1016/j.jhg.2010.02.011
20.Zhang, Y. F., and Thorburn, P. J. (2022). “A deep surrogate model with spatio-temporal awareness for water quality sensor measurement.” Expert Systems with Applications, 200, 116914. https://doi.org/10.1016/j.eswa.2022.116914
21.Kunz, J. V., Hensley, R., Brase, L., Borchardt, D., and Rode, M. (2017). “High frequency measurements of reach scale nitrogen uptake in a fourth order river with contrasting hydromorphology and variable water chemistry (Weiße Elster, Germany).” Water Resources Research, 53(1), 328–343. https://doi.org/10.1002/2016WR019355
22.Shi, B., Wang, P., Jiang, J., and Liu, R. (2018). “Applying high-frequency surrogate measurements and a wavelet–ANN model to provide early warnings of rapid surface water quality anomalies.” Science of the Total Environment, 610–611, 1390–1399. https://doi.org/10.1016/j.scitotenv.2017.08.232
23.Kuo, J. T., Wang, Y. Y., and Lung, W. S. (2006). “A hybrid neural-genetic algorithm for reservoir water quality management.” Water Research, 40(7), 1367–1376. https://doi.org/10.1016/j.watres.2006.01.046
24.Christensen, V. G. (2001). Characterization of Surface-Water Quality Based on Real-Time Monitoring and Regression Analysis, Quivira National Wildlife Refuge, South-Central Kansas, December 1998 through June 2001. U.S. Geological Survey, Water-Resources Investigations Report 2001-4248. https://doi.org/10.3133/wri014248
25.Erkyihun, S. T., Rajagopalan, B., Zagona, E., Lall, U., and Nowak, K. (2016). “Wavelet-based time series bootstrap model for multidecadal streamflow simulation using climate indicators.” Water Resources Research, 52(5), 4061–4077. https://doi.org/10.1002/2016WR018696
26. Shupe, S. M. (2017). “High resolution stream water quality assessment in the Vancouver, British Columbia region: A citizen science study.” Science of the Total Environment, 603–604, 745–759. https://doi.org/10.1016/j.scitotenv.2017.02.195
27.Kirchgässner, G., Wolters, J., and Hassler, U. (2013). Introduction to Modern Time Series Analysis. 2nd ed., Springer, Berlin and Heidelberg. https://doi.org/10.1007/978-3-642-33436-8
28.Chen, N., Tu, H., Duan, X., Hu, L., and Guo, C. (2023). “Semi-supervised anomaly detection of multivariate time series based on a variational autoencoder.” Applied Intelligence, 53(5), 6074–6098. https://doi.org/10.1007/s10489-022-03829-1
29.Lundgren, A., and Jung, D. (2022). “Data-driven fault diagnosis analysis and open-set classification of time-series data.” Control Engineering Practice, 121, 105006. https://doi.org/10.1016/j.conengprac.2021.105006
30. Karasu, S., and Altan, A. (2022). “Crude oil time series prediction model based on LSTM network with chaotic Henry gas solubility optimization.” Energy, 242, 122964. https://doi.org/10.1016/j.energy.2021.122964
31. Jin, X. B., Gong, W. T., Kong, J. L., Bai, Y. T., and Su, T. L. (2022). “PFVAE: A planar flow-based variational auto-encoder prediction model for time series data.” Mathematics, 10(4), 610. https://doi.org/10.3390/math10040610
32. Du, L., Gao, R., Suganthan, P. N., and Wang, D. Z. W. (2022). “Bayesian optimization based dynamic ensemble for time series forecasting.” Information Sciences, 591, 155–175. https://doi.org/10.1016/j.ins.2022.01.010
33. Chen, H., Li, Q., and Zhu, F. (2022). “A new class of integer-valued GARCH models for time series of bounded counts with extra-binomial variation.” AStA Advances in Statistical Analysis, 106(2), 243–270. https://doi.org/10.1007/s10182-021-00414-8
34.Tan, W. Y., Lai, S. H., Teo, F. Y., and El-Shafie, A. (2022). “State-of-the-art development of two-waves artificial intelligence modeling techniques for river streamflow forecasting.” Archives of Computational Methods in Engineering, 29, 5185–5211. https://doi.org/10.1007/s11831-022-09763-2
35.Hajirahimi, Z., and Khashei, M. (2023). “Hybridization of hybrid structures for time series forecasting: A review.” Artificial Intelligence Review, 56, 1201–1261. https://doi.org/10.1007/s10462-022-10199-0
36.Makridakis, S., and Hibon, M. (1997). “ARMA models and the Box–Jenkins methodology.” Journal of Forecasting, 16(3), 147–163. https://doi.org/10.1002/%28SICI%291099-131X%28199705%2916%3A3%3C147%3A%3AAID-FOR652%3E3.0.CO%3B2-X
37.Engle, R. F. (1982). “Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation.” Econometrica, 50(4), 987–1007. https://doi.org/10.2307/1912773
38. Heberling, M. T., Price, J. I., Nietch, C. T., Elovitz, M., Smucker, N. J., Schupp, D. A., Safwat, A., and Neyer, T. (2022). “Linking water quality to drinking water treatment costs using time series analysis: Examining the effect of a treatment plant upgrade in Ohio.” Water Resources Research, 58(5), e2021WR031257. https://doi.org/10.1029/2021WR031257
39. Song, C., and Yao, L. (2022). “Application of artificial intelligence based on synchrosqueezed wavelet transform and improved deep extreme learning machine in water quality prediction.” Environmental Science and Pollution Research, 29(25), 38066–38082. https://doi.org/10.1007/s11356-022-18757-3
40.Du, K., Zhao, Y., and Lei, J. (2017). “The incorrect usage of singular spectral analysis and discrete wavelet transform in hybrid models to predict hydrological time series.” Journal of Hydrology, 552, 44–51. https://doi.org/10.1016/j.jhydrol.2017.06.019
فصلنامه علمی مدیریت محیط زیست شهری
دوره 4، شماره 2 - شماره پیاپی 14
تابستان 1405
صفحه 141-172

  • تاریخ دریافت 08 خرداد 1405
  • تاریخ بازنگری 11 خرداد 1405
  • تاریخ پذیرش 14 مرداد 1405
  • تاریخ اولین انتشار 17 مرداد 1405
  • تاریخ انتشار 17 مرداد 1405

صفحه اصلی

راهنمای نویسندگان

ارسال مقاله

داوران

تماس با ما