الگوبندی هیدروگراف معرف آبخوان با مدل مفهومی مادفلو و فرامدل شبیه ساز شبکه عصبی- فازی (مطالعه موردی)

Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 157

This Paper With 13 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:

JR_IDJ-12-5_008

تاریخ نمایه سازی: 25 اردیبهشت 1400

Abstract:

کاهش نزولات جوی، محدود بودن منابع آب و برداشت روزافزون از آبهای زیرزمینی موجب افت سطح ایستابی دشت ها شده است و بنابراین الگوبندی آبهای زیرزمینی به عنوان ابزار کارآمد جهت مدیریت و حفاظت این منابع مطرح می باشد. در این مطالعه از اطلاعات آماری ماهانه سطح پیزومتر ها برای ۵ سال آبی (۸۹-۸۸ تا ۹۳-۹۲) مربوط به سطح ۸ پیزومتر آبخوان دشت لور-اندیمشک، استفاده شد. در ابتدا با استفاده از روش تسین، میانگین وزنی هر پیزومتر بدست آمد و سری زمانی تراز آب زیرزمینی دشت که بیانگر هیدروگراف معرف آبخوان منطقه مورد مطالعه است، محاسبه گردید. سپس با استفاده از مدل مفهومی آب زیرزمینی مادفلو و فرا مدل شبیه ساز عصبی-فازی، هیدروگراف معرف آبخوان مدل سازی شد و نتایج با هم مقایسه گردید. نتایج نشان داد که مدل مفهومی مادفلو با ضریب تبیین ۷۸۳۶/۰ در مرحله تست نسبت به فرا مدل شبیه ساز عصبی-فازی با ضریب تبیین ۶۳۴۸/۰ دارای عملکرد بهتری می باشد.

Keywords:

فرامدل شبیه ساز عصبی-فازی , مدل سازی , مدل مادفلو , هیدروگراف معرف آبخوان

Authors

محمدرضا گلابی

دانشجوی دکتری منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز

معصومه زینعلی

دانش آموخته کارشناسی ارشد مهندسی منابع آب، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه رازی کرمانشاه

سهیلا فرزی

دانش آموخته کارشناسی ارشد آبیاری و زهکشی، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه

فریدون رادمنش

دانشیار گروه منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز

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 :
  • اکبرزاده،ف.، حسن پور،ح.، امام قلی زاده،ص. ۱۳۹۵. پیش­بینی تراز آب ...
  • آذری،آ. ۱۳۹۲. شبیه­سازی و بهینه­سازی چند منظوره برای مدیریت بهره­برداری ...
  • پورمحمدی،س.، ملکی نژاد،ح.، پورشرعیاتی،ر. ۱۳۹۲. مقایسه کارایی روش­های شبکه عصبی ...
  • خاشعی سیوکی،ع.، قهرمان،ب.، کوچک­زاده،م. ۱۳۹۲. مقایسه مدل های شبکه عصبی ...
  • زارعی،ح.، آخوندعلی،ع.م.۱۳۸۶. مقایسه روش­های زمین آماری و آمار کلاسیک در ...
  • ستوده­پور،م.، فریدونی،م. ۱۳۹۳. شبیه­سازی تراز آب زیرزمینی با استفاده از ...
  • گلابی،م،ر.، آخوندعلی،ع.م.، رادمنش،ف. ۱۳۹۲. مقایسه عملکرد الگوریتم­های مختلف شبکه عصبی ...
  • ۳۰: ۱۶۹-۱۵۱ ...
  • مسلمی،خ. ۱۳۹۰. پیش بینی سطح آب زیرزمینی دشت بسطام با ...
  • ملکی نژاد، ح.، پورشرعیاتی، ر.۱۳۹۲. کاربرد و مقایسه مدل سری ...
  • ندیری،ع.، نادری،ک.، اصغری مقدم،ا.، حبیبی،م. ح. ع. ۱۳۹۵. پیش بینی ...
  • نورانی،و.، صالحی،ک. ۱۳۸۷. مدل سازی بارش- رواناب با استفاده از ...
  • Anderson,M.P.,Woessner,W.W. ۱۹۹۲ . Applied groundwater modeling flow and adjective Transport. ...
  • Bear,J. ۲۰۱۰. Modeling Groundwater Flow and Contaminant Transport. Springer Verlag. ...
  • Jang,J.S.R., Sun,C.T., Mizutani,E. ۱۹۹۷. Neuro-Fuzzy and Soft Computing: A Computational ...
  • Lu,C., Chen,Y., Zhang,C., Luo,J. ۲۰۱۳. Steady-state freshwater–seawater mixing zone in ...
  • Nourani,V., Komasi,M .۲۰۱۳. A geomorphology-based ANFIS model for multi-station modeling ...
  • Mattar,M.A., Alamoud,A.I. ۲۰۱۵. Artificial neural networks for estimating the hydraulic ...
  • Nayak,P.C., Sudheer,K.P., Rangan,D.M., Ramasastri,K.S. ۲۰۰۴. A neuro-fuzzy computing technique for ...
  • Rezaie-balf,M., Naganna,S.R., Ghaemi,A., Deka,P.C. ۲۰۱۷. Wavelet coupled MARS and M۵ ...
  • Ross,T.J. ۱۹۹۵. Fuzzy logic with engineering application. McGraw Hill Inc., ...
  • Stanley Raj,A., Hudson Oliver,D., Srinivas,Y., Viswanath,J .۲۰۱۷. Wavelet based analysis ...
  • Yoona,H., Hyunb,Y., Leec,K. Ha,K.K. Kim,G.B. ۲۰۱۶. A method to improve ...
  • نمایش کامل مراجع