مقایسه روش های مدلسازی رگرسیون مرحله ای و شبکه عصبی مصنوعی در جذب فلزات سنگین در خاک

Publish Year: 1389
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 1,893

This Paper With 13 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:

CEE04_423

تاریخ نمایه سازی: 5 خرداد 1389

Abstract:

امروزه یکی از مشکلات زیست محیطی مناطق پر جمعیت و صنعتی آلودگی خاک و آبهای زیرزمینی به فلزات سنگین می باشد. مطالعات ارزیابی زیست محیطی و همچنین مطالعات انتخاب روشهای مناسب پاکسازی مناطق آلوده مستلزم به کارگیری مدل های انتقال در پیش بینی رفتار جذب آلاینده در محیط می باشد. در این پژوهش نتایج تحقیقات گذشته جمع آوری و عوامل موثر در ضریب جذب کادمیوم مشخص شده است. بعد از جمع آوری داده ها، همگن سازی و استانداردسازی داده ها دو روش مدلسازی رگرسیون و شبکه عصبی مصنوعی به کار گرفته شده اند

Keywords:

مدلسازی ضریب جذب در خاک , کادمیوم , فلزات سنگین , رگرسیون مرحله ای , شبکه های عصبی مصنوعی

Authors

محمدرضا صبور

استاد یار محیط زیست، دانشگاه صنعتی خواجه نصیرالدین طوسی

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 :
  • Abo lfaz lzade h doshsnbehbaz ri M., Falamaki A., Ulrich ...
  • Baxter, C.W., Zhang, Q., Stanley, S.J., Shariff, R., Tupas, R-R.T ...
  • Chau K. W., A review on integration of artificial intelligence ...
  • /4] Chehreh Chelgani S., Mesroghli Sh., Hower J. C., Simultaneous ...
  • Deeb O., Correlation ranking and stepwise regression procedures in principal ...
  • Demnth H. Beale M., Hagan M., Neural Network ToolboxTM User's ...
  • EPA 402 -R-99-04A, Uderstanding variation in partition coefficient, Kd, values, ...
  • /8] EPA 402-R- 99-004B, Uderstanding variation in partition coefficient, Kd, ...
  • /9] Gao C., Govind R., Tabak H. H., Predicting soil ...
  • Hsieh K.-L., Lu Y. Sh., Model construction and parameter effect ...
  • Jiao L, Li H..QSPR studies on the aqueous solubility of ...
  • Lee S.Z., Allen H.E., Huang C.P., Sparks D.L, Predicting soil-water ...
  • Li L. Z., Zhou D.M., Wang P., Allen H. E.., ...
  • Mesroghli Sh., Jorjani E, Chehreh Chelgani S., Estimation of gross ...
  • Najjar, Y. M. and Ali, H. E. CPT-based liquefaction potential ...
  • Palani S. Liong Sh. Y., Tkalich P., An ANN application ...
  • Senevirathna _ Fuzzy rule based models for contaminant transport around ...
  • Shahin M.A., Jaksa M.B., Maier H.R, Artificial Neural Network Applications ...
  • Sivakugan, N., Eckersley, J. D., and Li, H. Settlement predictions ...
  • Ural, D. N., and Saka, H., Liquefaction assessment by neural ...
  • Wang G. C. S., Jain C. L., Regression Analysis: Modeling ...
  • Wang T.H., Li M.H., Teng Sh.P., Bridging the gap between ...
  • YANG X. H., WANG F. M., HUANG J. F., WANG ...
  • Yetilmezsoy, K. and Demirel S., Artificial neural network (ANN) approach ...
  • Zhenqing Sh. _ Herbert E. A _ Dominic M. D. ...
  • نمایش کامل مراجع