استفاده از مدل هوش مصنوعی مرکب نظارت شده برای بهبود مدل دراستیک (مطالعه موردی: آبخوان دشت اردبیل)

Publish Year: 1396
نوع سند: مقاله ژورنالی
زبان: Persian
View: 319

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_GSJ-26-104_010

تاریخ نمایه سازی: 3 بهمن 1400

Abstract:

آلودگی منابع آب زیرزمینی به علت نفوذ آلاینده­ها از سطح زمین به سامانه آب زیرزمینی به‎ویژه در مناطق خشک و نیمه‎خشک که با کمبود کمی و کیفی منابع آب روبه رو هستند؛ یکی از معضلات جدی به شمار می­آید. بنابراین ارزیابی آسیب­پذیری آب زیرزمینی به منظور شناسایی مناطق دارای پتانسیل بالای آلودگی برای مدیریت منابع آب زیرزمینی ضروری است. در این پژوهش آسیب­پذیری آبخوان دشت اردبیل در برابر آلودگی با استفاده از روش دراستیک مورد بررسی قرار گرفت. در مدل دراستیک هفت متغیر موثر در آسیب­پذیری که شامل ژرفای آب زیرزمینی، تغذیه خالص، محیط آبخوان، محیط خاک، توپوگرافی، محیط غیر اشباع و هدایت هیدرولیکی است؛ به‎صورت هفت لایه رستری تهیه شد و پس از رتبه­دهی و وزن­دهی شاخص دراستیک به دست آمد که برای دشت اردبیل شاخص دراستیک میان ۸۲ تا ۱۵۱ به دست آمد. اما از آنجایی که مشکل اصلی این مدل اعمال‎نظرهای کارشناسی برای رتبه­دهی و وزن­دهی متغیرهای به کار رفته در آن است؛ بنابراین هدف اصلی این پژوهش بهبود مدل دراستیک با استفاده از ۵ روش هوش مصنوعی از جمله شبکه عصبی پیشرو، شبکه عصبی برگشتی، فازی ساجنو، فازی ممدانی و مدل مرکب است. تا بدین روش بتوان به نتایج دقیق­تری از ارزیابی آسیب­پذیری دست یافت. با توجه به ناهمگنی موجود در دشت اردبیل این دشت به سه بخش خاوری، باختری و جنوبی تقسیم و مدل­های هوش مصنوعی به طور جداگانه برای هر بخش اجرا شد. به این منظور متغیرهای دراستیک به عنوان ورودی مدل و شاخص دراستیک به عنوان خروجی مدل تعریف شدند و مقادیر نیترات مربوطه به ۲ دسته آموزش و آزمایش تقسیم شد. شاخص دراستیک مربوط به مرحله آموزش با مقادیر نیترات مربوطه تصحیح و پس از آموزش مدل، در مرحله آزمایش نتایج مدل­ها با استفاده از مقادیر نیترات ارزیابی شد. نتایج نشان داد که همه روش­های هوش مصنوعی توانایی بالایی در بهبود مدل دراستیک دارند؛ اما در این میان، مدل هوش مصنوعی مرکب (SCMAI) نتایج بهتری را دربر داشت. بر پایه این مدل، بخش­های باختری و شمالی دشت پتانسیل آلودگی بالایی دارد و باید محافظت بیشتری از این مناطق صورت گیرد.

Keywords:

آسیب پذیری آب زیرزمینی , دشت اردبیل , دراستیک , هوش مصنوعی , مدل SCMAI

Authors

مریم قره‎خانی

دانشجوی دکترا، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران

عطاالله ندیری

استادیار، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران

اصغر اصغری مقدم

استاد، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران

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 :
  • اصغری مقدم، ا.، فیجانی، ا. و ندیری، ع.، ۱۳۸۸- ارزیابی ...
  • کرد، م.، ۱۳۹۳- مدلسازی عددی آبخوان دشت اردبیل و مدیریت ...
  • ناصری، ح. و صارمی­نژاد، ف.، ۱۳۹۰- مقایسه ارزیابی آسیب­پذیری آبخوان ...
  • ندیری، ع.، ۱۳۸۶- پیش­بینی سطح آب­های زیرزمینی با استفاده از ...
  • ندیری، ع.، ۱۳۹۲- مقایسه کارایی مدل­های عددی و هوش مصنوعی ...
  • ندیری، ع.، اصغری مقدم، ا.، عبقری، ه. و فیجانی، ا.، ...
  • نیک­نام، ر.، محمدی، ک. و جوهری مجد، و.، ۱۳۸۶- ارزیابی ...
  • ReferencesAller, L., Bennett, T., Lehr, J. H., Petty, R. J. ...
  • Antonakos, A. K. and Lambrakis, N. I., ۲۰۰۷- Development and ...
  • Asadi, S., Hassan, M. and Nadiri, A., ۲۰۱۴- Artificial intelligence ...
  • ASCE (Task Committee on Application of Artificial Neural Networks in ...
  • Babiker, I. S., Mohamed, M. A. A., Hiyama, T. and ...
  • Chen, C. H. and Lin, Z. S., ۲۰۰۶- A committee ...
  • Dixon, B., ۲۰۰۵- Applicability of neuro-fuzzy techniques in predicting ground-water ...
  • Dixon, B., Scott, H. D., Dixon, J. C. and Steele, ...
  • Fausett, L., ۱۹۹۴- Fundamentals of neural network. Prentice Hall, Englewood ...
  • Fijani, E., Nadiri, A. A., Asghari Moghaddam, A., Tsai, F. ...
  • Haykin, S., ۱۹۹۴- Neural networks: a comprehensive foundation. Macmillan College ...
  • Hongxing, L., Chen, P. C. P. and Huang, H. P., ...
  • Labani, M. M., Kadkhodaie-Ilkhchi, A. and Salahshoor, K., ۲۰۱۰- Estimation ...
  • McLay, C. D. A., Dragten, R., Sparling, G. and Selvarajah, ...
  • Nadiri, A. A., Chitsazan, N., Tsai, F. T. C. and ...
  • Nadiri, A. A., Fijani, E., Tsai, F. T. C. and ...
  • Panagopoulos, G., Antonakos, A. and Lambrakis, N., ۲۰۰۵- Optimization of ...
  • Pulido-Calvo, I. and Gutiérrez-Estrada, J. C., ۲۰۰۹- Improved irrigation water ...
  • Secunda, S., Collin, M. L. and Melloul, A. J., ۱۹۹۸- ...
  • Tayfur, G., Nadiri, A. A. and Moghaddam, A. A., ۲۰۱۴- ...
  • Vrba, J. and Zoporozec, A., ۱۹۹۴- Guidebook on mapping groundwater ...
  • Zadeh, L. A., ۱۹۶۵- Fuzzy sets. Information and Control, ۸ ...
  • نمایش کامل مراجع