پیش بینی سطح آب زیرزمینی با استفاده از شبکه های عصبی مصنوعی (مطالعه موردی: دشت تسوج- آذربایجان شرقی)
Publish place: The first national conference onengineering & management of agriculture, environment and natural resources for sustainable
Publish Year: 1392
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,033
This Paper With 10 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
MEAENRS01_167
تاریخ نمایه سازی: 18 خرداد 1393
Abstract:
شناخت رفتار سیستم آب زیرزمینی و پیش بینی نوسانات سطح آن یکی از اولین اقدامات به منظور دستیابی به مدیریت جامع و پایدار منابع آب زیرزمینی خصوصاً در مناطق خشک و نیمه خشک می باشد. در این پژوهش، به ارزیابی توانایی شبکه های عصبی مصنوعی در پیش بینی تراز آب زیرزمینی در آبخوان دشت تسوج در استان آذربایجان شرقی پرداخته شد. بدین منظور، ابتدا بر اساس اطلاعات 10 چاهک مشاهده ای که دارای طول آماری به طور متوسط 132 ماهه بودند، محدوده آبخوان پلی گون بندی شد. سپس اطلاعات هر پلی گون به عنوان ورودی و خروجی مدل در نظر گرفته شد. ورودی های لحاظ شده برای هر مدل در این تحقیق ترکیبی از اطلاعات هواشناسی (بارندگی، تبخیر از تشتک و دما)، برداشت آب از آبخوان و مقادیر سطح ایستایی آبخوان و خروجی آن تراز سطح آب در گام زمانی فعلی بود. نتایج این تحقیق نشان داد وارد کردن اطلاعات به صورت گام های تأخیری، تأثیر به سزایی در پیش بینی سطح آب زیرزمینی دارد. براساس نتایج، شبکه های عصبی پیش خور (MLP) پس انتشار خطا (BP) که عموماً شبکه های پرسپترون چند لایه هم نامیده می شوند، با توابع آموزشی لونبرگ مارکوات بهترین نتایج را ارائه دادند. بنابراین می توانند به عنوان ابزاری با سرعت و دقت مناسب برای تصمیم گیری در مدیریت دشت تسوج استفاده شوند.
Keywords:
Authors
جعفر نیکبخت
استادیار و عضو هیئت علمی دانشگاه زنجان
مینا ذوالفقاری
دانشجوی کارشناسی ارشد آبیاری و زهکشی، دانشگاه زنجان
مرتضی نجیب
کارشناس گروه مطالعات آبهای زیرزمینی، شرکت آب منطقه ای آذربایجان شرقی
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 :