بررسی توانایی شبکه عصبی مصنوعی در پیش بینی تراز آب زیرزمینیدشت مشهد

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 722

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

AEBSCONF01_325

تاریخ نمایه سازی: 6 آبان 1393

چکیده مقاله:

با توجه به اهمیت آب های زیرزمینی از جنبه های گوناگون، یافتن روشی مناسب جهت پیش بینی روشی مناسب جهت پیش بینی میزان تراز این منابع ارزشمند از اهمیت فراوانی برخودار است. یکی از روش های هوشمند جهت پیش بینی ، استفاده از شبکه های عصبی مصنوعی است. در مقاله حاضر به پیش بینی تراز آب زیرزمینی دو حلقه چاه پیزومتر از این دشت مورد ارزیابی قرار گرفته است مدل شبه عصبی به کار برده شده در این مقاله مدل شبکه عصبی خود بازشگتی NAR می باشد که در این مدل، مقادیر آینده به صورت تابعی از مقادیر گذشته سری زمانی پیش بینی می شود. داده های مورد استفاده شامل سری زمانی تراز آب زیرزمینی به مدت 9 سال از مهرماه 1384 تا اسفندماه 1392 است، که به صورت ماهیانه اندازه گیری شده است. نتایج نشان داد با استفاده از مدل شبکه عصبی می توان تراز اب زیرزمینی راتا 32 ماه بعد با میانگین ضریب انطباق 35.1 پیش بینی نمود. البته این روش در پیش بینی میزان افزاییش و افت ناگهانی تراز آب زیرزمینی با خطای 88% نتوانست نشان دهنده نتایج مناسبی باشد.

کلیدواژه ها:

تراز آب زیرزمینی ، دشت مشهد ، شبکه عصبی مصنوعی ، مدل خود بازگشتی غیر خطی

نویسندگان

فاطمه پوراصلان

دانشجوی کارشناسی ارشد مهندسی عمران - سازه های هیدرولیکی

طاهر رجائی

استادیار گروه مهندسی عمران دانشگاه قم

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله 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 مقاله لینک شده اند :
  • Kumar, M., B andyop adhayay, A, Raghuwanshi, N.S and Singh, ...
  • Rajaee, T., Mirbagheri, S.A. Z _ un emat-Kermam _ M ...
  • Mokhtari, Z. Nazemi, A.H. Nadiri, A. 2013. Forcasting the underground ...
  • Khashei siuki, A. Ghahraman, B. Kouchakzadeh, M. 2013. Comparison of ...
  • Haykin, S. 1994. Neural Networks:a comprehensive foundation. MacMillan, New York. ...
  • Aksoy, H. and Dahamshed, A. 2009.Artificil neural network models forforecasting ...
  • نمایش کامل مراجع