ارزیابی مدل های هوشمند در تخمین هدایت الکتریکی آب های زیرزمینی (مطالعه موردی: دشت مازندران)

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 88

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_ESTJ-21-1_009

تاریخ نمایه سازی: 19 مهر 1400

چکیده مقاله:

چکیده زمینه و هدف: منابع آب زیرزمینی در کنار آب های سطحی تامین کننده نیاز بخش های شهری، صنعت و کشاورزی است که علاوه بر کمیت، کیفیت آن ها نیز باید بررسی شود. شورییکی از مهم ترین پارامترهایی است که برای ارزیابی کیفیت آب های زیرزمینی در نظر گرفته می شود. روش بررسی: در این پژوهش کاربرد مدل های شبکه عصبی مصنوعی و شبکه بیزین جهت پیش بینی هدایت الکتریکی۸ چاه مشاهداتی دشت مازندران مورد بررسی قرار گرفت. که برای این منظور هیدروژن کربنات، کلرید، سولفات، کلسیم و منیزیم در مقیاس زمانی ماهانه طی دوره آماری (۱۳۸۳-۱۳۹۳) به عنوان ورودی و هدایت الکتریکی به عنوان پارامتر خروجی انتخاب شد.معیارهای ضریب همبستگی، میانگین قدر مطلق خطا و ضریب نش ساتکلیف برای ارزیابی و عملکرد مدل مورداستفاده قرار گرفت. یافته ها: نتایج نشان داد مدل شبکه عصبی مصنوعی با ضریب همبستگی (۹۸۹/۰)، میانگین قدر مطلق خطا(ds/m۰۱۹/۰) و نیز معیار نش ساتکلیف(۹۷۰/۰) در مرحله صحت سنجی در اولویت قرار گرفت بحث و نتیجه گیری: در مجموع نتایج حاکی از توانمندی قابل قبول مدل شبکه عصبی مصنوعی در تخمین هدایت الکتریکی آب های زیرزمینی است.

نویسندگان

عیسی حزباوی

استادیار گروه مکانیک بیوسیستم، دانشگاه لرستان، خرم آباد، ایران (مسوول مکاتبات).

رضا دهقانی

دانشجوی دکترای سازه های آبی، گروه مهندسی آب، دانشگاه لرستان، خرم آباد،، ایران.

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 :
  • Zare Abiane, H., Bayat varkeshi, M., Akhavan, S., Mohamadi, M. ...
  • Nasr M, Farouk Zahran H. ۲۰۱۴. Using of pH as ...
  • Kheradpisheh Z, Talebi A, Rafati L, Ghaneeian MT, Ehrampoush MH.۲۰۱۵. ...
  • Barzegar R, Asghari Moghadam A.۲۰۱۶.Combining the advantages of neural networks ...
  • Heckerman, D.۱۹۹۷.Bayesian Networks for data Mining''data mining and knowledge Discovery ...
  • Nguyen RT. ۱۹۹۸.Prentiss and j. E. shively..Rainfall interpolation for santa ...
  • Nourani, V., Alami, M.T., Aminfar, M.H.۲۰۰۹. A combined neural-wavelet model ...
  • Nourani, V., Kisi, Ö., Komasi, M.۲۰۱۱. Two hybrid artificial intelligence ...
  • Sadeghi Hesar A. Tabatabaee, Hamid. Jalali, Mehrdad.. Monthly Rainfall Forecasting ...
  • Tokar, A., Johnson, P.۱۹۹۹. Rainfall-Runoff Modeling Using Artificial Neural Networks. ...
  • Zhu, YM., Lu, XX., Zhou, Y., ۲۰۰۷. Suspended sediment flux ...
  • Sadeghi Hesar, A. Tabatabaee, H. Jalali, M. ۲۰۱۲. Monthly Rainfall ...
  • نمایش کامل مراجع