پیش بینی مقدار نیترات در رودخانه زیارت با استفاده از تکنیکهای هوشمند

Publish Year: 1389
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 966

This Paper With 9 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

IDNC03_402

تاریخ نمایه سازی: 15 اسفند 1389

Abstract:

در چنددهه اخیر به دلیل رشد جمعیت و افزایش نیاز بشر به غذا استفاده از کودهای شیمیایی درکشاروزی رواج یافته اکه موجب الودگی ابهای سطحی و زیرزمینی در بسیاری از مناطق شده است امروزه نیترات یکی از رایج ترین انواع الودگی بوده که از منابع مختلف شهری، صنعتی و کشاورزی وارد منابع آب سطحی میگردد دراین پژوهش از تکنیکهای هوشمند نظیر شبکه عصبی و سیستم عصبی - فازی به عنوان ابزاری کاملا انعطاف پذیر در شبیه سازی تغییرات غلظت نیترات در رودخانه زیارت واقع در شهرستان گرگان استفاده شده است شبکه عصبی مصنوعی و سیستم عصبی فازی به عنوان مدلهایی که با تجزیه و تحلیل اطلاعات موجود امکان استخراج روابط غیرخطی و نامشخص را فراهم می سازند موفق ظاهر شده اند نتایج نشان داد که مقدار نیترات با روش سیستم عصبی - فازی بهتر از روش شبکه عصبی پیش بینی شده به طوری که ضریب تبیین روش عصبی فازی برابر 0/90 و روش شبکه عصبی برابر 0/82 شده است.

Authors

مجتبی خوش روش

دانشجوی دکتری ابیاری و زهکشی دانشگاه صنعتی اصفهان

پویا شیرازی

دانشجوی سابق کارشناسی ارشد ابیاری و زهکشی

منوچهر حیدرپور

دانشیار گروه مهندسی آب

لاله دیوبند

دانشجوی کارشناسی ارشد ابیاری و زهکشی

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • ملازاده، ن.، 1384. تعیین کلاسه کیفی آب رودخانه هراز با ...
  • منهاج، م. ب.، 1381. مبانی شبکه‌های عصبی: انتشارات دانشگاه صنعتی ...
  • نصیری، ص..، غ. منتظر. تعیین ابعاد حفره آبشستگی پایین‌دست سر ... [مقاله کنفرانسی]
  • Denal, M. A., F. Palis and A. Zeghbid. 2004. ANFIS ...
  • Hasson, M. H., 1995. Fundamentals of Artificial Neural Networks. MTT ...
  • Jang, J. S. R. 1993. ANFIS Adaptive -Network-B ased Fuzzy ...
  • Jang, J. S. R., C. T. Sun and E. Mizutani. ...
  • Kisi, O., 2007. The potential of different ANN techniques in ...
  • Kumorjain, S., 2001. Development of Integrated Sediment Rating Curve using ...
  • Liu, J., C. E. Goering and L. Tian. 2001. A ...
  • Maillard, E. P., D. Aueriot. 1997. RBF neural networks, basis ...
  • Or, M. L., 1995. Local smoothing of radial basis function ...
  • Sajikumara, N. and B. S. Thandaveswra 1999. A non- linear ...
  • Vos, N. J. D. and T. H. M. Rientjes. 2005. ...
  • نمایش کامل مراجع