پیش بینی سرعت نفوذ نهایی آب به خاک بوسیله شبکه عصبی مصنوعی

Publish Year: 1390
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,061

This Paper With 7 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:

CAAMSA01_409

تاریخ نمایه سازی: 13 شهریور 1390

Abstract:

اندازهگیری مستقیم ویژگیهای هیدرولیکی خاک مانند سرعت نفوذ نهایی آب به خاک وقتگیر و پر هزینه بوده و تاحدی به علت غیرهمگن بودن خاک و خطاهای آزمایشگاهی غیر قابل اعتماد است. در عوض ویژگیهای هیدرولیکی میتواند از جایگزینی دادههای زودیافتی مثل بافت خاک، جرم مخصوص ظاهری و غیره با استفاده از توابع انتقالی خاک بدست آید . شبکههای عصبی مصنوعی از جمله روشهایی هستند که برای تخمین توابع انتقالی استفاده میشوند. در این پژوهش از داده- های 150 پروفیل خاک مربوط به مطالعات خاکشناسی و اصلاح اراضی موجود در سازمان آب و برق خوزستان استفاده شد . دادههای زودیافت مورد استفاده برای تعیین سرعت نفوذ نهایی آب به خاک شامل بافت خاک، وزن مخصوص ظاهری، تخلخل کل، رطوبت در نقطه ظرفیت مزرعه و رطوبت در نقطه پژمردگی دائم بودند. نتایج نشان داد که کارائی شبکههای عصبی RBFبالاتر از شبکه هایMLP در تخمین سرعت نفوذ نهایی آب به خاک است.

Keywords:

: توابع انتقالی خاک , سرعت نفوذ نهایی آب به خاک و شبکههای عصبی مصنوعی

Authors

روح اله رضایی ارشد

دانشجوی کارشناسی ارشد خاکشناسی، دانشگاه شهید چمران اهواز

غلامعباس صیاد

استادیار گروه خاکشناسی، دانشگاه شهیدچمران 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 :
  • قربانی دشتکی، م. 1387. برآورد پارامترهای نفوذ آب به خاک ...
  • کیا، م. 1387. شبکه‌های عصبی در MATLAB خدمات نشر کیان ...
  • منهاج، م. ب. 1377. مبانی شبکه‌های عصبی. چاپ اول، مرکز ...
  • نوابیان، م. 1386. مقایسه توابع انتقالی شبکه عصبی و رگرسیونی ... [مقاله کنفرانسی]
  • دانشگاه پیام نور استان خوزستان - خرداد 1390گ ...
  • Agyare, W.A., Park, S.J. 2007. Artificial neural network estimation of ...
  • Haykin S, 1999. Neural networks: A comprehensive foundation. NJ. Prentice-Hal ...
  • Kao, C.S. and J.R. Hunt 1996. Prediction of wetting front ...
  • Leij, F., Schaap, M.G., and Arya, LM. 2002. Water retention ...
  • Mallants, D. M. 1996. Spatial variability of hydraulic conductivity properties ...
  • Minasny, B. H. 2004. Neural networks prediction of soil hydraulic ...
  • Mohammadi, J. 2002. Testing an artificial neural network for predicting ...
  • Montgomery, D. C. 1992. Introduction to regression analysis.Wiley series in ...
  • Oude Voshaar, J. H. 1994. Statistics for researcher, Wageningen press, ...
  • Persson, M. 2002. Predicting the dieletric constant-watr content relationship using ...
  • Rajkai, K. 1996. Estimation of water retention characteristics from the ...
  • Rawls, W.J., Gish, T.J., and Brakensiek, D.L. 1991. Estimating soil ...
  • Ryan, B. F. 1994. Minitab Handbook. Durbuy Press, pp: 483. ...
  • Sisson, J. B. 1981. Spatial variability of steady-state infiltration rates ...
  • - Wosten J.H.M., Lilly A., Nemes A., le Bas C. ...
  • نمایش کامل مراجع