پیش بینی شوری خاک در سامانه های زهکشی زیستی در مناطق نیمه خشک با استفاده از مدل های SAHYSMOD و شبکه عصبی مصنوعی
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 605
This Paper With 8 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:
NACONF02_0247
تاریخ نمایه سازی: 27 آبان 1393
Abstract:
بالا آمدن سطح آب زیرزمینی و به دنبال آن ماندابی شدن و شوری ثانویه خاک یک مشکل جدی در اراضی فاریاب مناطق خشک و نیمه خشک است. برای احیای خاک های شور و ماندابی تکینک متعارف زهکشی زیرسطحی است که نسبتاً گراناست و پساب زهکشی مضر تولید می کند. یک جایگزین مناسب برای تکنیک بالا می تواند زهکشی زیستی باشد. در این تحقیق به منظور بررسی کارایی مدل شبکه عصبی مصنوعی در خصوص پیش بینی رفتار سامانه های زهکشی زیستی درمناطق نیمه خشک، نتایج بدست آمده با نتایج حاصل از مدل SAHYSMOD مقایسه گردید. بدین منظور با استفاده از شبکهپرسپترون چند لایه (MLP) ، قانون یادگیری پس انتشار خطا (BP) ، الگوریتم لونبرگ مارکوارت - (LM) و معیارهای RMSE و R2 جهت کارایی مدل دو سناریو تعریف گردید. بررسی حالات مختلف نشان داد که بهترین مدل شبکه عصبیمصنوعی جهت شبیه سازی شوری خاک ، مدلی است با ساختار 11 نرون در لایه ی ورودی، 32 نرون در لایه پنهان و 1 نروندر لایه خروجی که حاکی از همبستگی بالا و معنی داری بین مقادیر هدف و مقادیر پیش بینی شده دارد. نتایج حاصل، توانایی بالای شبکه عصبی مصنوعی در مدل کردن شوری خاک و عملکرد سامانه های زهکشی زیستی در مناطق نیمه خشک را به خوبی نشان می دهد .
Keywords:
Authors
طاهره شهبازی
دانشجوی کارشناسی ارشد مهندسی آبیاری و زهکشی، گروه مهندسی آبیاری و زهکشی، پردیس - ابوریحان، دانشگاه تهران
محمود مشعل
استادیار گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران
جابر سلطانی
استادیار گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران
مریم وراوی پور
استادیار گروه مهندسی آبیاری و زهکشی، پردیس ابوریحان، دانشگاه تهران
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 :