برآورد سریع هدایت آبی اشباع خاک با استفاده از شبکه عصبی مصنوعی
Publish place: 2nd Students Conference on Soil and Water Resources
Publish Year: 1383
Type: Conference paper
Language: Persian
View: 1,879
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
SCSWR02_004
Index date: 25 April 2006
برآورد سریع هدایت آبی اشباع خاک با استفاده از شبکه عصبی مصنوعی abstract
هدایت آبی اشباع مهمترین ویژگی فیزیکی خاک است که در طراحی و امکان پذیر بودن فنی و اقتصادی پروژه های زهکشی زیر زمینی نقش عمده ای به عهده دارد. لیکن، اندازه گیری مستقیم این ویژگی چه به صورت صحرایی و چه در آزمایشگاه بسیار وقت گیر و پر هزینه می باشد. همچنین، به دلیل تغییرات زیاد زمانی – مکانی خاکها، اندازه گیری های نقطه ای نمی توانند نماینده واقعی این ویژگی خاک باشند، مگر آن که تعدادی بسیار زیاد نمونه برداری صورت پذیرد. در سالهای اخیر استفاده از شبکه های عصبی مصنوعی به عنوان راهکاری که ویژگی های فیزیکی خاک را از پارامترهای زودیافت خاک برآورد می کند، مورد توجه قرار گرفته است. شبکه عصبی مصنوعی از الگوی شبه عصبی انسان شبیه سازی شده است، به گونه ای که می تواند پس از آموزش، پارامترهای خروجی مورد نظر را با اعمال پارامترهای ورودی برآورد نماید. در این پژوهش، از ساختار شبکه عصبی پرسپترون با الگوریتم آموزشی مارکوآت لورنبرگ استفاده شد تا هدایت آبی اشباع از پارامترهای زودیافت خاک همچون جرم ویژه ظاهری، تخلیه موثر، میانگین هندسی قطر ذرات و انحراف معیار آنها برآورد شود نتایج نشان داد که نمونه های عصبی ایجاد شده قادرند هدایت آبی اشباع را با دقت بالا (R2=0/83) برآورد نمایند. همچنین، در مقایسه با معددلات رگرسیونی موجود، مدلهای شبکه عصبی ارائه شده عملکردی مناسب تر دارند.
برآورد سریع هدایت آبی اشباع خاک با استفاده از شبکه عصبی مصنوعی Keywords:
برآورد سریع هدایت آبی اشباع خاک با استفاده از شبکه عصبی مصنوعی authors
مریم نوابیان
دانشجوی دکترای گروه آبیاری و آبادانی دانشکده کشاورزی دانشگاه تهران
عبدالمجید لیاقت
استادیار گروه آبی و آباداتی دانشکده کشاورزی دانشگاه تهران
مهدی همایی
استادیار گروه خاکشناسی دانشکده کشاورزی دانشگاه تربیت مدرس
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 :