مقاله برآورد سطح دینامیک آب زیر زمینی با مدل شبکه عصبی RBFN در معدن سنگ آهن گل گهر سیرجان

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

  مقاله برآورد سطح دینامیک آب زیر زمینی با مدل شبکه عصبی RBFN در معدن سنگ آهن گل گهر سیرجان دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله برآورد سطح دینامیک آب زیر زمینی با مدل شبکه عصبی RBFN در معدن سنگ آهن گل گهر سیرجان  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی مقاله برآورد سطح دینامیک آب زیر زمینی با مدل شبکه عصبی RBFN در معدن سنگ آهن گل گهر سیرجان،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله برآورد سطح دینامیک آب زیر زمینی با مدل شبکه عصبی RBFN در معدن سنگ آهن گل گهر سیرجان :

تعداد صفحات:۸

چکیده:

تعیین سطح دینامیک آب زیر زمینی در معدن سنگ آهن گل گهر سیرجان تاکنون از طریق اندازه گیری آن در ۵ تا ۱۱ نقطه و تعمیم آن در کل کاواک معدن به روش های آماری Kriging و یا Inverse Distance صورت می پذیرفته است. که این تعمیم آماری، خود با نواقصی در پیش بینی سطح آب درحال زهکشی در نقاط دیگر معدن همراه بود. با استفاده از تکنیک شبکه عصبی مصنوعی از مجموعته روش های هوش مصنوعی ، برآورد این سطح با خطای نسبتا خوب RMS=0.0063 انجام پذیرفت. بدلیل اینکه از سابقه کار پیش بینی سطح دینامیک آب در معادن دیگ هیچ گزارشی مشاهده مشده است، لذا در فرایند ساخت شبکه عصبی و برای یافتن شبکه بهینه از روش عمومی تشخیص شبکه استفاده شد. طیف معموی این روش ۸۰% داده های استاندارد معدن برای مرحله آموزشی شبکه و ۲۰% برای مرحله آزمایشی شبکه در نظر گرفته شد. قابل داده ها در هر مورد شامل دو پارامتر طول و عرض شبکه محلی بعنوان متغیرهای ورودی و یک پارامتر ارتفاع سطح دینامیک آب زیر زمینی در معدبعنوان متغیر خروجی بود. تاثیر انواع قوانین آموزشی، توابع مختلف ترانسفر، تعداد لایه های پنهان و تعداد عناصر عملیاتی هر لایه پنهان و بسیاری دیگر از عوامل موثر ددر بهینه کردن شبکه و کاهش خطای RMS بررسی شد و د رنهایت شبکه عصبی مصنوعی مدل RBFN با ۴۷۳ عنصر عملیاتی در لایه پنهان دوم، با تابع آموزشی Ex DBD و تابع محرک DNNA با چرخه ۱۰۰۰۰۰۰ دور آموزش انتخاب شد. مقایسه سطح پیش بینی شده حاصل از این رووش و سطح مشاهده ای از همخوانی زیادی برخوردار است.