TY -的A2江(AU - AlOmar,默罕默德·哈立德AU - Hameed,默罕默德·马吉德AU -安Nadhir盟——AlSaadi穆罕默德Abdulhakim PY - 2020 DA - 2020/12/30 TI -数据驱动模型的预测总溶解气体:强大的人工智能方法SP - 6618842六世- 2020 AB -饱和总溶解气体(隔离)最近被认为是一个严重的问题在环境工程领域,因为它背后的原因的死亡率增加鱼类和水生生物。隔离的准确和更可靠的预测有着非常重要的作用在保护水生生物的多样性,减少鱼类死亡的现象。这里,两种机器学习方法称为支持向量回归(SVR)和极端学习机(ELM)应用于预测饱和隔离%地质调查局14150000和美国地质调查局14150000车站位于美国。美国地质调查局14150000站,13 2016年10月至2019年3月14日的记录样本(75%)用于训练集,其余的来自15个2019年3月至2019年10月13日(25%)用于测试的要求。同样,美国地质调查局14181500车站,每小时的数据样本覆盖周期从2017年6月9日到2019年3月11日被用于校准模型和从2019年3月12日到2019年10月9日被用于测试预测模型。8个输入组合建立了基于不同的参数以及九统计性能措施用于评估采用模型的准确性,例如,不是有限的,相关的决心( R 2 ),平均绝对相对误差(美),和不确定性为95% ( U 95年 )。这项研究的结果对电台透露,榆树管理相比,有效地估计,“SVR的技术。美国地质调查局14181500站的统计办法,榆树(SVR),分别报告 R 2 0.986(0.986),美0.316(0.441),和 U 95年 3.592 (3.869)。最后,美国地质调查局14181500站,榆树(SVR)的统计措施,分别报告 R 2 0.991(0.991),美0.338(0.396),和 U 95年 0.832 (0.837)。此外,榆树的训练过程更短的计算时间是说比支持向量机。结果还显示,温度参数是最重要的变量的影响相对于其他参数隔离。总体而言,该模型(ELM)被证明是一个适当的和有效的计算机辅助技术饱和隔离建模,将有助于环境考虑的基本知识。SN - 1687 - 8086 UR - https://doi.org/10.1155/2020/6618842 - 10.1155 / 2020/6618842摩根富林明土木工程的进步PB - Hindawi KW - ER