شبیه سازی تراز آب زیرزمینی با استفاده از مدلهای فازی عصبی ومقایسه آن با مدل-های سری زمانی (مطالعه موردی : دشت جم)
Publish place: 15th Civil Students Conference Nationwide
Publish Year: 1393
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 714
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:
CESC15_595
تاریخ نمایه سازی: 12 دی 1393
Abstract:
در این تحقیق از شبکه های فازی عصبی تطبیقی که ابزاری نیرومند برای شبیه سازی فرآیندهای غیر خطی است و همچنین از - مدلهای آماری کلاسیک سریهای نایستاARMA استفاده شده است. پتانسیل شبکه های فازی عصبی تطبیقی در مقایسه با - مدلهای آماری برای پیش بینی سریهای زمانی هیدروژئولوژیکی مورد ارزیابی قرار گرفته است. جهت حصول به آمار مناسب ، آمار ماهانه بارندگی، دما، تبخیر و نوسانات سطح آب زیر زمینی، واقع در دشت جم گردآوری شده و در مدلهای شبکه های فازی عصبی تطبیقی و مدلهای سری زمانی خورند گردیده است. این تحقیق از طریق شبکههای فازی عصبی تطبیقی و سریهای -زمانی دو هدف را دنبال می کند، که شامل تعیین پارامترهای موثر بر نوسانات سطح آب زیرزمینی و سپس مدلسازی نوسانات سطح آب زیرزمینی در دشت مورد مطالعه میباشد که بهترین مدلسازی نوسانات سطح آب با مدل شبکه فازی عصبی تطبیقی الگوی: (فرمول در متن اصلی میباشد. همچنین سریهای زمانی سطح آب زیرزمینی در دشتها به عنوان فرآیندهای استوکستیکی مورد مدلسازی قرارداده شدهاند و در نهایت مناسب ترین مدلهای سری زمانی و نروفازی از طریق معیارهای ارزیابی مورد نظر ما مشخص شدهاند. معیار ارزیابی جهت انتخاب مدل برتر بین 2 مدل سری زمانی و شبکه های فازی عصبی تطبیقی، ضریب همبستگی R2 مجذور میانگین مربعات خطا RMSE میباشد.. نتایج این تحقیق نشان میدهد که شبکه های فازی عصبی تطبیقی توانایی بالاتری را در شبیه سازی تراز آب زیرزمینی را در مقیاس ماهانه - در دشت جم دارد
Keywords:
Authors
محمد ستوده پور
دانشجوی کارشناسی ارشد سازه های هیدرولیکی ، گروه مهندسی عمران ، دانشگاه آزاد اسلامی واحد لارستان ، لاستان ، ایران
مهرداد فریدونی
استادیار گروه مهندسی عمران ، دانشگاه آزاد اسلامی واحد لارستان ، لارستان ، 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 :