سیویلیکا را در شبکه های اجتماعی دنبال نمایید.

مطالعه توانایی مدلهای مختلف شبکه عصبی مصنوعی برای ارزیابی سطح آب زیرزمینی در سازند سخت

Publish Year: 1385
Type: Conference paper
Language: Persian
View: 3,227

This Paper With 12 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:

SGSI10_017

Index date: 25 March 2007

مطالعه توانایی مدلهای مختلف شبکه عصبی مصنوعی برای ارزیابی سطح آب زیرزمینی در سازند سخت abstract

مدلسازی آبهای زیرزمینی در سازندهای سخت، یکی از موارد بسیار پیچیده و مهم در مطالعات هیدروژئولوژیکی است. آبخوانهای تشکیل یافته در این سازندها در برابر آلودگی و کاهش ذخیره آبخوان (به ویژه در اثر برداشت بیش از حد) بسیار آسیب پذیر می باشند. هدف این مقاله ارزیابی و مقایسه توانایی مدلهای مختلف شبکه های عصبی مصنوعی ARTIFICIAL NEURAL NETWORKS (ANN) برای پیش بینی سطح ایستابی در مناطق کارستی می باشد. بدین منظور به علت عدم دسترسی به داده های کامل در داخل کشور، آبخوان آزاد و آهکی شمال فرانسه که توسط لالاهم و همکاران در سال ۲۰۰۴ به وسیله شبکهMLP و الگوریتم انتشار خطا به عقب (BP) مدل شده و از داده های نسبتاً کاملی بر خوردار است، به عنوان محدوده مطالعاتی مورد استفاده قرار گرفت. برای مدلسازی این آبخوان از داده های نزدیکترین ایستگاههای سینوپتیک، سطح ایستابی در پیزومترها و شرایط تکتونیکی، زمین شناسی و هیدروژئولوژیکی منطقه مورد مطالعه استفاده گردیده است. مدلسازی سطح ایستابی آبخوان آزاد مذکور در پیزومتر منتخب(شماره ۲۶ ) توسط شش نوع دیگر از مدلهای مختلف شبکه عصبی مصنوعی صورت گرفت. در این مقاله چهار موضوع کلی شامل: الف) تعیین عوامل موثر بر تغییرات سطح ایستابی در آبخوان های آهکی، ب) تعیین مقدار تاخیر زمانی عوامل موثر بر تغییرات سطح ایستابی ج) پیش بینی سطح ایستابی در پیزومتر منتخب و د) انتخاب بهترین مدل، مورد بررسی قرار گرفته است. از میان مدلهای شبکه عصبی مصنوعی مورد بررسی، شبکه پیشرو(FNN) با الگوریتم LM به عنوان بهترین و منطقی ترین مدل با کمترین خطا انتخاب شد و توانایی بالایی برای مدلسازی آبخوانهای آهکی نشان داد.

مطالعه توانایی مدلهای مختلف شبکه عصبی مصنوعی برای ارزیابی سطح آب زیرزمینی در سازند سخت Keywords:

مطالعه توانایی مدلهای مختلف شبکه عصبی مصنوعی برای ارزیابی سطح آب زیرزمینی در سازند سخت authors

اصغر اصغری مقدم

دانشیار گروه زمین شناسی، دانشکده علوم طبیعی، دانشگاه تبریز

عطاا... ندیری

دانشجوی کارشناسی ارشد هیدروژئولوژی، دانشگاه تبریز

الهام فیجانی

دانشجوی کارشناسی ارشد هیدروژئولوژی، دانشگاه تبریز

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 :
Anderson, D., McNeill1, G., 1992. Artificial neural networks technology. Kaman ...
Anctial, F., Perrin, C., Andreassian, V., 2004. Impact of the ...
ASCE Task Committee On Application of Artificial Neural Networks in ...
Beaudeau, P., Leboulanger, T., Lacroix, M., Hanneton, S., Wang, H.Q., ...
Bracq, P., Delay, F., 1997. Transmi ssivity and morphol ogical ...
Coulibaly, P., Anctil, F., Bobee, B., 2000. Daily reservoir inflow ...
Coulibaly, P., Anctil, F., Aravena, R., Bobee, B., 2001a. Artificial ...
Coulibaly, P., Anctil, F., Bobee, B., 2001b. Multivariate reservoir inflow ...
Coulibaly, P., Bobee, B., Anctil, F., 2001c. Improving extreme hydrologic ...
Crampon, N., Roux, J.C., Bracq, P., 1993. Hy drogeologie de ...
Daliakopou los, N. I., Coulibaly, P., Tsanis, I. K., 2004. ...
Degallier, R., 1975. interpretation des Variations naturelles du niveau des ...
Delattre, Ch., 1969. Les grands traits geologiques de 1 Artois. ...
French, M. N., Krajewski, W. F., and Cuykendal, R., R., ...
Govindaraju, R. S., Ramachandra Rao, A., 2000. Artificial neural networks ...
Haykin, S., 1994. Neural network: A comprehen sive foundation, MacMillan ...
Haykin, S., 1999. Neural networks, A comprehen sive foundation, second ...
Hornik, K., Stinchcombe, M., White, H., 1989. Multilayer feedward networks ...
Lallahem, S., Mania, J., 2002. A linear and non-linear rai ...
Lallahem, S., Mania, J., 2003a. Evaluation and forecasting of daily ...
Lallahem, S., Mania, J., 2003b. A non-linear rainfal 1-runoff model ...
Lallahem S., Mania, J., Hani, A., Najjar, Y., 2004. On ...
Maier, H. R., Dandy, G. C., 1998. Un derstanding behavior ...
Toth, E., Brath, A.., Montanari, A., 2000. Comparison of short-term ...
Vandycke, S., Bergerat, F., depuis, Ch., 1991. Meso -Cenozoic faulting ...
Zhang, G., Patuwo, B. E., Hu, M. Y., 1998. Forecasting ...
نمایش کامل مراجع

مقاله فارسی "مطالعه توانایی مدلهای مختلف شبکه عصبی مصنوعی برای ارزیابی سطح آب زیرزمینی در سازند سخت" توسط اصغر اصغری مقدم، دانشیار گروه زمین شناسی، دانشکده علوم طبیعی، دانشگاه تبریز؛ عطاا... ندیری، دانشجوی کارشناسی ارشد هیدروژئولوژی، دانشگاه تبریز؛ الهام فیجانی، دانشجوی کارشناسی ارشد هیدروژئولوژی، دانشگاه تبریز نوشته شده و در سال 1385 پس از تایید کمیته علمی دهمین همایش انجمن زمین شناسی ایران پذیرفته شده است. کلمات کلیدی استفاده شده در این مقاله LM الگوریتم ،(FNN) سازند سخت، شبکه های عصبی مصنوعی، آبخوان آهکی، شبکه پیشرو هستند. این مقاله در تاریخ 5 فروردین 1386 توسط سیویلیکا نمایه سازی و منتشر شده است و تاکنون 3227 بار صفحه این مقاله مشاهده شده است. در چکیده این مقاله اشاره شده است که مدلسازی آبهای زیرزمینی در سازندهای سخت، یکی از موارد بسیار پیچیده و مهم در مطالعات هیدروژئولوژیکی است. آبخوانهای تشکیل یافته در این سازندها در برابر آلودگی و کاهش ذخیره آبخوان (به ویژه در اثر برداشت بیش از حد) بسیار آسیب پذیر می باشند. هدف این مقاله ارزیابی و مقایسه توانایی مدلهای مختلف شبکه های عصبی مصنوعی ARTIFICIAL NEURAL NETWORKS (ANN) ... . این مقاله در دسته بندی موضوعی شبکه عصبی طبقه بندی شده است. برای دانلود فایل کامل مقاله مطالعه توانایی مدلهای مختلف شبکه عصبی مصنوعی برای ارزیابی سطح آب زیرزمینی در سازند سخت با 12 صفحه به فرمت PDF، میتوانید از طریق بخش "دانلود فایل کامل" اقدام نمایید.