پیش بینی تراز آب زیرزمینی در آبخوان محدوده ارسنجان با استفاده از شبکههای عصبی مصنوعی
Publish place: 2nd National Conference on Water
Publish Year: 1388
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 949
This Paper With 11 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
WATER02_053
تاریخ نمایه سازی: 20 آذر 1388
Abstract:
شبیهسازی سیستم آبهای زیرزمینی به دلیل پیچیدگیهای موجود در طبیعت این سیستمها، به آسانی میسر نیست. این درحالیست که شبکههای عصبی مصنوعی به عنوان مدل جعبه سیاه با تواناییهای بالایی که دارند برای مدلسازی سیستمهای پیچیده و غیرخطی بسیار مناسب میباشند. شبکههای عصبی مصنوعی بر مبنای استفاده از دانش نهفته بین متغیرهای ورودی و خروجی یک سیستم و بدون در نظر گرفتن فیزیک مسئله، قادر به استخراج روابط ذاتی بین آنها و تعمیم آن در موقعیتهای دیگر هستند. میتوان گفت که این شبکهها با الهام گرفتن از مدل مغز انسان و ضمن اجرای فرآیند آموزش و ذخیرهسازی اطلاعات، قادر به پیشبینی رفتار یک سیستم میباشند. پر واضح است که به منظور دستیابی به جوابهای مناسب و قابل قبول از شبکه عصبی باید انواع ترکیبات ورودی شبکه، تعداد لایههای شبکه، تعداد نورونهای لایههای ورودی و مخفی شبکه و غیره مورد ارزیابی و بررسی قرار گیرند. هدف از انجام این تحقیق ارزیابی توانائی شبکههای عصبی مختلف در پیشبینی تراز آبهای زیرزمینی محدوده ارسنجان در استان فارس میباشد. ساختارهای مختلف مورد استفاده در این تحقیق شامل سه شبکه عصبی (پشرو، برگشتی و تابع شعاعی) و دو الگوریتم (لونبرگ-مارکوارت و پس انتشار خطا) بوده است. بر اساس نتایج حاصله، الگوریتم لونبرگ-مارکوارت کمترین خطا را در ساختارهای مورد استفاده داشته و میتوان گفت ساختارهایی که از این الگوریتم سود بردند نتایج قابل قبولی ارائه کردهاند. از نظر توانائی شبکههای مختلف مورد استفاده، شبکههای عصبی مصنوعی پیشرو با الگوریتم لونبرگ-مارکوارت بهترین نتایج را ارائه داد. این ساختار توانست پیشبینی ماهانهای از سطح ایستابی آبهای زیرزمینی در بازه زمانی دو ساله برای مراحل آموزش و آزمایش ارائه نماید.
Keywords:
Authors
محمدرضا نیک منش
عضو هیات علمی گروه عمران، دانشگاه آزاد اسلامی واحد ارسنجان
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 :