ارزیابی توانایی شبکه عصبی مصنوعی با سیستم استنتاج فازی عصبی تطبیقی در پیش بینی تراز آب زیرزمینی توابع دشت ارسنجان

سال انتشار: 1393
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 648

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:

WATERCONF01_143

تاریخ نمایه سازی: 19 تیر 1394

چکیده مقاله:

منابع آب یکی از مهمترین چالشهای بشریت در سالهای اخیر بوده است، از اینرو شناخت این منابع میتواند کمک شایانی در حفظ رفاه و جلوگیری از بروزصدمات اجتماعی به جوامع مختلف نماید. باتوجه به اقلیم کشور ایران آبهای زیرزمینی با عنوان مهمترین منبع تأمین آب در بسیاری از مناطق مورد توجه می- باشند. در دسترس نبودن آمار و اطلاعات مورد نیاز هر منطقه مشکل بزرگ اغلب مطالعات و طراحیها میباشد. از آنجا که ایران در محدوده خشک و نیمه خشک کره زمین قرار داشته و میانگین بارندگی سالانه آن حدود 242 میلیمتر کمتر از یک سوم میانگین بارندگی سطح کره زمین حدود 062 میلیمتر می باشد، اهمیت منابع زیرزمینی وکیفیت آن ها در کشور ما بیشتر نمایان می گردد.هدف از این تحقیق به سنجش گذاشتن توانایی شبکه عصبی مصنوعی و سیستم استنتاج فازی عصبی تطبیقی در پیش بینی تراز آب زیرزمینی توابع دشت ارسنجان می باشد.در این تحقیق از اطلاعات 6 چاه مشاهده ای که دارای - آمار 21 ساله به صورت ماهانه می باشد استفاده شد.در این تحقیق پارامتر تراز آب زیرزمینی با تاخیر زمانی 2 ماهه جهت پیش بینی 2 ماه آینده به عنوان ورودی شبکه عصبی مصنوعی وسیستم استنتاج فازی عصبی تطبیقی قرار گرفت.نتایج ابن تحقیق حاکی از برتری مدل سیستم استنتاج فازی عصبی تطبیقی با تابع Gussian mf در پیش بینی تراز آب زیرزمینی با دقت بالای R=96.88 و RMSE=0.165 در محدوده مورد مطالعه داشته است

کلیدواژه ها:

تراز آب زیرزمینی ، شبکه عصبی مصنوعی ، سیستم استنتاج فازی عصبی -تطبیقی

نویسندگان

امیرحسین زاهدی

دانشجوی کارشناسی ارشد سازه های هیدرولیکی،گروه مهندسی عمران،واحد لارستان،دانشگاه آزاد اسلامی لارستان، ایران

مهرداد فریدونی

استادیار گروه مهندسی عمران،واحد لارستان،دانشگاه آزاد اسلامی لارستان،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 :
  • معمار، مرجان، حسینی، خسرو، ‌کرمی، حجت _ پیش بینی تراز ...
  • Aytek, Ali, 1003, An application of artificial intelligence Env ironmental ...
  • Inchiro k, Muhammad AA, Yano SN. 2007.A Comprative neuro-fuzzy ...
  • نمایش کامل مراجع