پیش بینی سطح آب زیرزمینی با استفاده از مدل های منطق فازی، شبکه عصبی و سری زمانی
Publish place: The Journal of Hydrogeology، Vol: 3، Issue: 2
Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 208
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:
شناسه ملی سند علمی:
JR_HYDTR-3-2_007
تاریخ نمایه سازی: 15 آذر 1401
Abstract:
در مطالعات آب های زیرزمینی، تغییرات سطح ایستابی از اهمیت فراوانی برخوردار است. به همین دلیل، امروزه شبیه سازی جریان آب زیرزمینی توسط مدل های ریاضی و کامپیوتری که یک روش غیرمستقیم مطالعه آب زیرزمینی می باشد، با صرف هزینه کمتر صورت می گیرد. پیش بینی سطح آب زیرزمینی یک حوضه نقش مهمی را در مدیریت منابع آبی ایفا می کند. به خصوص در مناطق نیمه خشک آب های زیرزمینی نقش بسیار مهمی در تعیین آب مورد نیاز، کشاورزی، شهری و امور صنعتی دارد. در این تحقیق کارایی مدلهای شبکههای عصبی مصنوعی، منطق فازی و سری زمانی در تخمین سطح آب زیرزمینی آبخوان دشت عجب شیر مورد بررسی قرار گرفت. پارامترهای بارندگی، دما، دبی جریان و تراز سطح ایستابی در دوره زمانی ماه قبل به عنوان ورودی و تراز سطح ایستابی در دوره موردنظر به عنوان خروجی مدل ها در مقیاس زمانی ماهانه در طی دوره آماری (۱۳۹۶-۱۳۸۵) انتخاب گردید. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا و میانگین قدر مطلق خطا برای ارزیابی و نیز مقایسه عملکرد مدل ها مورد استفاده قرار گرفت. نتایج حاصله نشان داد که مدل منطق فازی می تواند تراز سطح ایستابی را با دقت قابل قبولی پیش بینی نماید. توابع عضویت استفاده شده برای مدلسازی فازی سطح ایستابی، تابع عضویت گوسی بود که به دادههای دسته بندی شده برازش داده شد و نیز تابع عضویت خروجی مدل ساگنو تابعی است خطی که بر اساس ورودیها ساخته می شود. در مورد دقت، مدل منطق فازی با بیشترین با ضریب همبستگی، کمترین ریشه میانگین مربعات خطا و میانگین قدر مطلق خطا به عنوان بهترین مدل برای پیش بینی سطح آب زیرزمینی شناخته شد.
Keywords:
Authors
بهزاد سعیدی رضوی
استادیار پژوهشی گروه پژوهشی ساختمانی و معدنی پژوهشگاه استاندارد
علیرضا عرب
کارشناس ارشد مهندسی آب
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 :