پیش بینی پارامترهای کیفی TDS، EC، TH و SAR آب زیرزمینی دشت خضری با استفاده از شبکه های عصبی مصنوعی
Publish place: The 4th Conference on Environmental Planning and Management
Publish Year: 1396
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,184
This Paper With 11 Page And PDF and WORD Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ESPME04_030
تاریخ نمایه سازی: 19 خرداد 1396
Abstract:
در این پژوهش، کار مدل سازی پارامترهای کیفی TDS، EC، TH و SAR آب زیرزمینی دشت خضری بر اساس مولفه های شیمیایی نظیر آنیون ها و کاتیون های اصلی و pH با استفاده از شبکه های عصبی مصنوعی در نرم افزار MATLAB انجام شده است. به منظور دستیابی به ساختار بهینه با کمترین خطا، پیش بینی پارامترهای کیفی چهارگانه با تغییر تعداد لایه های میانی، تعداد نرون های لایه میانی، تابع آموزش شبکه عصبی و توابع فعالسازی نرون ها انجام گردید. بر این اساس، بهترین نتایج با شبکه هایی با یک لایه میانی، الگوریتم آموزشی لونبرگ-مارکوات و توابع فعالسازی Tansig و Purelin در لایه های میانی و خروجی به دست آمد. برای تخمین پارامتر SAR، ساختاری با تعداد نرون ها 1-17-8 به دست آمد که که ضریب همبستگی 9951/0 را نتیجه داد. برای پارامتر EC تعداد نرون های بهینه لایه میانی 10 و ضریب همبستگی حاصل برای آن 9941/0 به دست آمد. پارامتر TDS نیز با تعداد 22 نرون در لایه میانی، ضریب همبستگی 9916/0 را نتیجه داد. در نهایت برای پارامتر TH با ساختاری با تعداد 25 نرون حاصل شد (9908/0). مقایسه نتایج حاصل از پیش بینی پارامترهای مورد نظر توسط شبکه و مقادیر واقعی آن ها، حکایت از این داشت که پیش بینی کیفیت آب توسط شبکه عصبی برای پارامترهای EC، TDS، SAR و TH در حد قابل قبول بوده است. با توجه به هزینه پایین و کارایی بالا، از روش های هوشمند به خصوص شبکه های عصبی مصنوعی، می توان جهت برنامه ریزی و مدیریت یکپارچه کیفیت منابع آب و حفاظت و بهره وری آن ها استفاده نمود.
Keywords:
Authors
حسنیه زارعپورفرد
دانشجوی کارشناسی ارشد اکتشاف معدن
احمد آریافر
دانشیارگروه مهندسی معدن دانشگاه بیرجند
وحید خسروی
دانشجوی دکترای اکتشاف معدن دانشگاه صنعتی شاهرود
حسن ضیاء
کارشناس ارشد گروه مهندسی معدن دانشگاه بیرجند
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 :