سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

استفاده بهینه از سفره آب های زیرزمینی با استفاده از مدل FNN-LM هوش مصنوعی (مطالعه موردی: دشت خوزستان)

Publish Year: 1403
Type: Journal paper
Language: Persian
View: 78

This Paper With 19 Page And PDF Format Ready To Download

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

Export:

Link to this Paper:

Document National Code:

JR_SRDS-5-2_009

Index date: 8 September 2024

استفاده بهینه از سفره آب های زیرزمینی با استفاده از مدل FNN-LM هوش مصنوعی (مطالعه موردی: دشت خوزستان) abstract

مقدمه و بیان مسئله: استفاده از هوش عصبی در پیش بینی متغیرهای منابع آبی از جمله آب زیرزمینی بطور گسترده رو به افزایش است. هدف: این تحقیق از طریق هوش مصنوعی و مدل FNN-LM چندین هدف را دنبال می کند که شامل تعیین پارامترهای موثر بر نوسانات سطح آب زیرزمینی در دشت خوزستان و همچنین بررسی تاثیر مکانی و زمانی پارامترهای سطح آب از طریق داده های زمانی ۱۰ ساله و سپس مدلسازی نوسانات سطح آب زیرزمینی در پیزومترهای منتخب در دشت مورد مطالعه می باشد. روش: استفاده از هوش مصنوعی و روش مدل FNN-LM بود و در انتها با تغییر درصدی یک ماه آخر داده های ورودی در مدل، اقدام به ایجاد شرایط فرضی گردید و با توجه به مدلهای شبکه عصبی بدست آمده به پیش بینی نوسانات سطح آب زیرزمینی در این شرایط فرضی پرداخته شد. یافته ها: تاثیر پارامتر تخلیه از چاهها به مراتب بیشتر از تاثیر پارامتر میزان بارندگی می باشد، بطوریکه پیش بینی شرایط ترسالی و خشکسالی که فقط در اثر تغییر میزان بارندگی می باشد. نتیجه گیری: با استفاده از مدلهای ایجاد شده شبکه عصبی برای هر چاه مشاهده ای و استفاده از مقبولترین روش مدلهای ژئواستاتیستیکی پیش بینی مکانی و زمانی مناسبی از سطح آبهای زیرزمینی صورت گرفت. بهترین مدلسازی نوسانات سطح آب با مدل FNN-LM از طریق انتخاب پارامترهای مناسب و با قابل قبول ترین تاخیر زمانی بدست آمد.کلید واژه ها: هوش مصنوعی، سطح آب زیرزمینی، مدل FNN-LM، دشت خوزستان.

استفاده بهینه از سفره آب های زیرزمینی با استفاده از مدل FNN-LM هوش مصنوعی (مطالعه موردی: دشت خوزستان) Keywords:

استفاده بهینه از سفره آب های زیرزمینی با استفاده از مدل FNN-LM هوش مصنوعی (مطالعه موردی: دشت خوزستان) authors

فرخنده هاشمی قندعلی

کارشناس ارشد جغرافیا و برنامه ریزی شهری دانشگاه شهید چمران اهواز، اهواز، 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 :
درویش زاده، ع. (۱۳۷۵). زمین شناسی ایران .انتشارات امیرکبیر، چاپ ...
گیلانی مکنونی، س. (۱۳۸۳). تعیین هدایت هیدرولیکی خاک های غیراشباع ...
محمدی، ک. (۱۳۸۱). برآورد سطح آب زیرزمینی با استفاده از ...
منهاج، م. (۱۳۷۷). مبانی شبکه های عصبی، دانشگاه صنعتی امیرکبیر، ...
Anderson, D., McNeill, G. (۱۹۹۲). Artificial Neural Networks Technology. Kaman ...
Copola, E., Szidarovszky, F., Poulton, M., Charles, E., ۲۰۰۳, Artificial ...
Coulibaly, P., Anctil, F., Aravena, R., Bobée, B. (۲۰۰۱). Artificial ...
Coulibaly, P., Anctil, F., Bobée, B. (۲۰۰۰). Daily reservoir inflow ...
Coulibaly, P., Anctil, F., Bobée, B. (۲۰۰۱). Multivariate reservoir inflow ...
Coulibaly, P., F. Anctil, B., Bobe´e. (۱۹۹۹). Hydrological forecasting using ...
Daliakopoulos, N. I., Coulibaly, P., Tsanis, I. K. (۲۰۰۵). Ground ...
Garcia, L. A., Shigidi, A. (۲۰۰۶). Using neural networks for ...
Grossberg, M. Hassoun MH. (۱۹۸۰). Fundamentals of artificial neural networks ...
Haykin, S. (۱۹۹۴). Neural network: A comprehensive foundation, MacMillan College ...
Hopfield, J. J. (۱۹۸۲). Neural network and physical systems with ...
Karunanithi, N., Grenney, W. J., Whitley, D., and Bovee, K. ...
Lallahem S., Mania, J., Hani, A., Najjar, Y. (۲۰۰۵). On ...
نمایش کامل مراجع