اصل مقاله به صورت متن کامل انگلیسی، در بخش انگلیسی قابل رویت است.

خاک های غیراشباع حدود 40 درصد از خاک های سطح زمین را پوشانده و در اکثر پروژ ه های مهندسی ژئومکانیک به چنین خاک های برخورد می شود. تعیین مقاومت برشی خاک های غیراشباع براساس اصل تنش مؤثر  به­ منظور استفاده در این گونه پروژه ها، مستلزم انجام آزمایش­ های نسبتاً وقت گیر، پرهزینه و پیچیده است. از طرفی به­ دلیل تغییرات در خصوصیات خاک هر منطقه استفاده از روش های تجربی به ­منظور تخمین تنش مؤثر خاک های غیراشباع از دقت کم­تری برخوردار بوده و با خطا همراه است. به ­منظور برآورد صحیح مقاومت برشی خاک های غیراشباع، هدف از نگارش این مقاله کاربرد روش های جدید هوشمند برای تخمین پارامتر تنش مؤثر، با استفاده از دو الگوریتم بهینه سازی هوشمند گرگ خاکستری، (Grey wolf optimization) و سینوس- کسینوس، (Sine cosine algorithm) می باشد. در این مدل ها از پارامترهایی نظیر: مقدار ورودی هوا، مقدار آب حجمی در شرایط باقی­مانده و اشباع، شیب منحنی مشخصه آب- خاک، فشار محدودکننده خالص و مکش به ­عنوان پارامترهای ورودی و از پارامتر تنش مؤثر به­ عنوان خروجی استفاده شده است. در انتها برای صحت و ارزیابی مدل های پیش بینی از شاخص های ضریب همبستگی مربع (R2)، میانگین درصد خطای مطلق، (Mean Absolute Percentage Error)، شمول واریانس، (Variance accounted for)، مجذور میانگین خطای مربع، (Root Mean Squared Error) و میانگین خطای مربع، (Mean Squared Error) استفاده شده است. نتایج مدل­سازی نشان می دهد که استفاده از دو الگوریتم بهینه سازی هوشمند گرگ خاکستری و سینوس- کسینوس دقت و کارایی قابل قبولی را در تخمین پارامتر تنش مؤثر برای خاک های غیراشباع دارد.

با توجه به افزایش روزافزون مصرف گاز طبیعی، برنامه ریزی در بخش گاز طبیعی و بررسی و پیش بینی تقاضای گاز طبیعی جهت دستیابی به امنیت عرضه انرژی گاز طبیعی و به دنبال آن توسعه پایداراهمیت فراوانی دارد. از این رو در این تحقیق تقاضای گاز طبیعی در بخش های خانگی-تجاری، صنعت و نیروگاه که جزء مصرف کنندگان عمده گاز طبیعی هستند مورد بررسی قرار گرفته و از دو روش ARIMA (Autoregressive Integrated Moving Average) و شبکه عصبی GMDH (Group Method of Data Handling) برای پیش بینی تقاضای گاز طبیعی و از معیارهای MSE (Mean Squared Error)، RMSE (Root Mean Squared Error)، درصد خطای پیش بینی و دقت پیش بینی جهت مقایسه دو روش استفاده شده است. با توجه به نتایج، دقت پیش بینی به ترتیب در سه بخش خانگی - تجاری، صنعتی و نیروگاه در روش ARIMA، 93.8، 98.3 و 87 درصد و در روش شبکه عصبی GMDH، 96.4، 99 و 98.2 درصد به دست آمده است و معیارهای RMSE و MSE در هر سه بخش برای روش شبکه عصبی GMDH کوچکتر از روش ARIMA بوده است. از این رو می توان نتیجه گرفت که با توجه به مدلسازی صورت گرفته، روش شبکه عصبی GMDH عملکرد و دقت بالاتری نسبت به روش ARIMA در پیش بینی تقاضای گاز طبیعی دارد.

زمینه و هدف: مدل سازی آلاینده های زیست محیطی یکی از نیازهای اساسی در زمینه پایش کیفیت هوا محسوب می شود که با بهره گیری از نتایج حاصله می توان اقدامات پیشگیرانه ای جهت بهبود شرایط آتی اتخاذ کرد. ادبیات موجود در زمینه الگوسازی آلاینده های زیست محیطی را می توان به دو دسته کلی تقسیم کرد، دسته اول شامل مطالعاتی می شود که علاوه بر داده های مربوط به آلاینده ها با وارد کردن عوامل محیطی از قبیل دمای هوا، جهت وزش باد، سرعت وزش باد و میزان رطوبت، وضعیت انتشار را مورد بررسی قرار داده اند. دسته دوم مطالعات-که تحقیق حاضر در این دسته می گنجد-با استفاده از الگوهای رگرسیون سری های زمانی و غالباً با استفاده از داده های موجود هر آلاینده، پیش بینی وضعیت آتی آن را مد نظر قرار داده اند. روش بررسی: در این مقاله با استفاده از سه الگوی ARIMA(AutoRegressive Integrated Moving Average)، ARFIMA(AutoRegressive Fractionaly Integrated Moving Average)و ARIMA-GARCH(Generalized AutoRegressive Conditional Heteroskedasticity) و رویکرد باکس-جنکینز وضعیت آتی آلاینده های CO، PM10، NO2، SO2، O3 و PM2. 5در شهر تهران پیش بینی شد و در مورد هر آلاینده بهترین مدل بر اساس معیارهای MSE(Mean Squared Error)، RMSE(Root Mean Squared Error)، MAE(Mean Absolute Error) و MAPE(Mean Absolute Percent Error) معرفی گردید. یافته ها: آن چه این مطالعه را از مطالعات قبلی متمایز می سازد، مد نظر قرار دادن ویژگی حافظه بلندمدت و مقایسه دقت خروجی مدل مربوطه با الگوهای رایج خود رگرسیونی است. نتایج نشان می دهد که فرض وجود حافظه بلندمدت پذیرفته خواهد شد، ولی این که بهترین پیش بینی ها همواره توسط مدل ARFIMA ارایه می شود، رد می شود. بحث و نتیجه گیری: این مطالعه کاربرد مدل های اقتصادسنجی را برای پیش بینی وضعیت آلاینده ها اثبات می کند. براین اساس توصیه می شود با توجه به هزینه های اجتماعی بالای انتشار آلاینده ها، با بکارگیری این الگوها، آلاینده های تاثیرگذار بر آینده هوای شهر شناسایی و در جهت کاستن از سطح انتشار آن ها طرح های کارآمدی پیاده شود.

آب های داخلی از قبیل تالاب ها در زمره اکوسیستم های حساس محسوب می شوند که بهره وری پایدار از آن ها تنها با اتخاذ رویکرد زیست محیطی مناسب ممکن خواهد بود. برآورد پارامترهای کیفی آب با استفاده از مدل ها موجب کاهش هزینه ها و دسترسی سریع تر برای مدیریت منابع آب خواهد شد. در این مطالعه از مدل ماشین بردار پشتیبان در دوره زمانی 32 ساله از 1364 تا 1396 برای شبیه سازی پارامتر کیفی کلروفیل a و شفافیت آب (عمق سشی دیسک) در تالاب بین المللی چغاخور استفاده شد. از 70 درصد داده ها به منظور آموزش و از بقیه داده ها برای آزمون و تست مدل استفاده شد. ضریب تعیین (R2) و خطای (RMSE) در روش ماشین بردار پشتیبان برای ترکیب بهینه کلروفیل a و سشی دیسک به ترتیب برابر 93/0، 91/0و 097/0میلی گرم بر مترمکعب، 049/0 متر است. همچنین مدل ماشین بردار پشتیبان با حداقل ورودی نیز قدرت پیش بینی لازم را داشت. نتایج این مطالعه نشان داد که ماشین بردار پشتیبان قابلیت بالایی در پیش بینی کلروفیل a و شفافیت آب دارد و می توان از آن در تعیین استراتژی های مناسب در مدیریت تالاب چغاخور بهره برد.

در این پژوهش از مدل فرابنفش قابل مشاهده وردسپهری TUV (Tropospheric Ultraviolet-Visible) برای پیش بینی شاخص پرتو فرابنفش استفاده شد. این مدل برای پیش بینی OMI (Ozone Monitoring Instrument) به داده های ازن، سپیدایی و عمق نوری ذرات معلق نیاز دارد. برای مقادیر ستون ازن و سپیدایی از داده های ازن سامانه پیش بینی جهانی GFS (Global Forecast System) و AOD (Aerosol Optical Depth) از داده های مدل WACCM (Whole Atmospheric Community Climate Model) استفاده شد. 612 مورد مطالعاتی در کل سال 2020 از هر یک از 12 ماه سال از نقاط مختلف کشور انتخاب شد. داده های GFS، WACCM و OMI برای تاریخ های ذکر شده استخراج و در نقاط مورد نظر درون یابی شدند. سپس مقادیر درون یابی شده به همراه طول، عرض و ارتفاع نقاط به عنوان ورودی به مدل TUV داده شدند و مقدار UVI (Ultraviolet Index) پیش بینی شد. به دلیل عدم دسترسی به مقدار واقعی UVI در کشور، داده OMI به عنوان داده مشاهداتی برای مقایسه با مقادیر پیش بینی مورد استفاده قرار گرفت. از سنجه های متداول آماری RMSE (Root Mean Squared Error)، MAE (Mean Absolute Error)، ME (Mean Error) و ضریب همبستگی پیرسون برای درستی سنجی مقدار پیش بینی با داده مشاهداتی استفاده شد. نتایج نشان داد که مقدار خطا با مقدار عمق نوری ذرات رابطه دارد؛ هر چه عمق نوری ذرات معلق بیشتر باشد، خطا نیز بیشتر است. نمودار ضریب همبستگی نیز نشان داد که بین مقادیر پیش بینی و مشاهده همبستگی بالایی وجود دارد. این تحقیق اولین پژوهش در زمینه پیش بینی شاخص پرتو فرابنفش در کشور می باشد که نتایج رضایت بخشی به همراه داشته است.