مقایسه توانایی مدلهای استنتاج فازی و شبکه های عصبی مصنوعی در تعیین پارامترهای آبخوان تحت فشار و نقطه انطباق بهینه mach point

Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 489

This Paper With 15 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:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

CCASD02_038

تاریخ نمایه سازی: 16 اسفند 1394

Abstract:

آبخوانهای تحت فشار یکی از مهمترین منابع آب زیرزمینی هستند. برداشت بیرویه و عدم مدیریت آبخوان، باعث پایین رفتن تراز آب زیرزمینی و کاهش ضریب ذخیره آبخوان شده است. در ساالهای اخیار، روشاهای هاو مصانوعی بنناوان یااین ین روشهای انطباق منحنی تیپ یهت تنیین پارامترهای آبخوان تحت فشار استفاده میشوند. هدف از این مطالنه ارزیابی مدلهای فازی ممدانی LFM ساگنو LFM شبکه های عصبی مصنوعیsNNA در تخمین ضرایب هیدرولیکی آبخوان تحت فشار میباشد. رو شبکه عصبی مصنوعی براساس نرمال سازی داده ها میباشد. در این شبکه از الگوریتم آموزش لیونبرگ -مارکوآرت استفاده شده است. در این رو تابع چاه با استفاده از 1000 مجموعه از داده های مصنوعی آزمایش شد. شبکه ها با دریافت داده های آزمون پمپاژ، مختصات نقطه انطباق را تولید میکنند. مختصات نقطه انطباق با حل تحلیلی تایس و ژاکوب ترکیب میگردد

Keywords:

ضرایب هیدرودینامیک , مدل فازی ممدانی LFM مدل فازی ساگنوLFM شبکه عصبی مصنوعیsNNA آبخوان تحت فشار

Authors

سامان صوفی احمدی

دانشجوی کارشناسی ارشد هیدروژئولوژی،

عطاالله ندیری

استادیار،

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 :
  • _ اصغری مقدم، الف، نورانی، _ ندیری، ع، 1387. مدلسازی ...
  • ندیری، ع، 1392. مقایسه کارایی مدل های عددی و هوش ...
  • ندیری، ع.، اصغری مقدم، الف، .1385i مبانی شبکه های عصبی ... [مقاله کنفرانسی]
  • ندیری، ع، اصغری مقدم، الف.، عبقری، ه، فیجانی، الف، .1391i ...
  • ASCE Task Committee On Application of Artificial Neural Networks in ...
  • Chang, F.J., Kao, L.S., Kuo, Y.M., and Liu, C.W., 2010. ...
  • Chang, L.Ch., Chu, H.J., and Hsiao, Ch.T., 2012. Integration of ...
  • Chau, K.W., 2007. An ontology-based knowledge management system for flow ...
  • Cheng, Ch., Chau, K., Sun, Y., and Lin, J., 2005. ...
  • Coulibaly, P., Anctil, F., Aravena, R., and Bobee, B., 2001. ...
  • Daliakopoulos, I.N., Coulibaly, P., and Tsanis, I.K., 2005. Groundwater level ...
  • Davis, J.C., 2002. Statistics and data analysis in geology. 3rd ...
  • Hantush, M.S., Jacob, C.E., 1955. Non-steady radial flow in an ...
  • Haykin, S., 1999. Neural networks: a comprehensive foundation. Prentice-Hal Englewood ...
  • Lin, G.F., and Chen, G.R. 2006. An improved neural network ...
  • Lin, H.T., Ke, K.Y., Chen, Ch.H., Wu, Sh.Ch., and Tan, ...
  • Maier, H.R., and Dandy, G.C., 1999. Empirical comparison of various ...
  • Maier, H.R., and Dandy, G.C., 2000. Neural networks for the ...
  • Ranjithan, S., Eheart, J.W., and Garrett, J.H., 1993. Neural network-based ...
  • Ray, C., and Klindworth, K.K., 2000. Neural networks for agrichemical ...
  • Razavi, S., and Tolson, B.A., 2011. A new formulation for ...
  • Rumelhart, D.E., Hinton, G.R., and Williams, R.J., 1986. Learning internal ...
  • Samani, N., Gohari-Mo ghadam, M., and Safavi, A.A., 2007. A ...
  • Singh, R.M., and Datta, B., 2007. Artificial neural network modeling ...
  • Theis, C.V., 1935. The relationship between the lowering of the ...
  • Walton, W.C., 1962. Leaky artesian aquifer conditions in Ilinois. Illinois ...
  • Wu, W., Dandy, G.C., and Maier, H.R., 2014. Protocol for ...
  • نمایش کامل مراجع