مقایسه روش های سیستم استنتاج فازی- عصبی تطبیقی، شبکه عصبی مصنوعی و برنامه ریزی بیان ژن در تخمین میزان سختی آب زیرزمینی (مطالعه موردی: دشت مازندران)

سال انتشار: 1395
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 307

فایل این مقاله در 12 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:

JR_NFAG-10-19_005

تاریخ نمایه سازی: 6 آبان 1398

چکیده مقاله:

میزان سختی آب زیرزمینی عامل مهمی در مسائل هیدروژئولوژی و بویژه مطالعه کیفی آب­های زیرزمینی می­باشد. در چند دهه اخیر سیستم­های هوش مصنوعی کاربرد زیادی در علوم مختلف از جمله مدیریت منابع آب داشته است. در این پژوهش تخمین میزان سختی آب زیرزمینی دشت مازندران، با استفاده از برنامه­ریزی بیان ژن مورد بررسی قرار گرفته و نتایج آن با  سایر روش­های هوشمند همچون شبکه عصبی مصنوعی و سیستم استنتاج فازی- عصبی تطبیقی مقایسه شده است،  برای این منظور هیدروژن کربنات، کلرید، سولفات، منیزیم و کلسیم در مقیاس زمانی ماهانه در طی دوره آماری (1373-1393) بعنوان ورودی و میزان سختی آب بعنوان پارامتر خروجی انتخاب گردید. معیارهای ضریب همبستگی، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا و ضریب نش ساتکلیف برای ارزیابی و نیز مقایسه عملکرد روش­ها مورد استفاده قرار گرفت. نتایج حاصله نشان داد مدل برنامه­ریزی بیان ژن دارای بیش­ترین ضریب همبستگی 960/0، کمترین ریشه میانگین مربعات خطاppm  112/0، میانگین قدر مطلق خطا ppm 171/0 و نش ساتکلیف880/0 در مرحله صحت سنجی در اولویت قرار گرفت. در مجموع نتایج نشان داد که مدل برنامه­ریزی بیان ژن توانایی بالایی در تخمین  برخی مقادیر  بیشینه و میانی میزان سختی آب زیرزمینی دارد.

کلیدواژه ها:

برنامه ریزی بیان ژن ، تخمین ، دشت مازندران ، شبکه عصبی مصنوعی ، سیستم استنتاج فازی- عصبی تطبیقی

نویسندگان

رضا دهقانی

کارشناس ارشد منابع آب، دانشگاه تبریز

امیر پورحقی

دانشجوی دکترای منابع آب، دانشگاه چمران

مهرداد خیرایی

کارشناسی ارشد سازه آبی، دانشگاه چمران

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 :