دانش رسان |
مرکز علم و دانش کشور مقاله بهینه‌سازی مدل دراستیک با استفاده از هوش مصنوعی جهت ارزیابی آسیبپذیری آب‌زیرزمینی در دشت مراغه- بناب
در حال بارگذاری
توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد
مقاله بهینه‌سازی مدل دراستیک با استفاده از هوش مصنوعی جهت ارزیابی آسیبپذیری آب‌زیرزمینی در دشت مراغه- بناب دارای ۱۳ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله بهینه‌سازی مدل دراستیک با استفاده از هوش مصنوعی جهت ارزیابی آسیبپذیری آب‌زیرزمینی در دشت مراغه- بناب 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 بهینه‌سازی مدل دراستیک با استفاده از هوش مصنوعی جهت ارزیابی آسیبپذیری آب‌زیرزمینی در دشت مراغه- بناب،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقاله بهینه‌سازی مدل دراستیک با استفاده از هوش مصنوعی جهت ارزیابی آسیبپذیری آب‌زیرزمینی در دشت مراغه- بناب :
تعداد صفحات :۱۳
ارزیابی آسیبپذیری آبخوان به منظور تعیین مناطق دارای پتانسیل آلودگی برای مدیریت منابع آب‌زیرزمینی از اهمیت بالایی برخوردار است. در این تحقیق، با استفاده از مدل دراستیک ارزیابی آسیبپذیری آب زیرزمینی در آبخوان دشت مراغه- بناب برآورد شده است. در مدل دراستیک از پارامترهای مؤثر در ارزیابی آسیبپذیری سفر آب زیرزمینی شامل ژرفای سطح ایستابی، تغذیه، جنس سفره، نوع خاک، شیب توپوگرافی، مواد تشکیل‌دهنده منطق غیراشباع و هدایت هیدرولیکی استفاده میشود که به صورت ۷ لایه در محیط GIS تهیه شدند و با وزندهی و رتبهبندی و تلفیق ۷ لای یاد شده، نقشنهایی آسیبپذیری آبخوان نسبت به آلودگی، با تقسیمبندی به ۳ محدود آسیبپذیری کم، متوسط و زیاد تهیه و شاخص دراستیک برای کل منطقه بین ۸۱ تا ۱۱۶ برآورد شد. برای صحت‌سنجی مدل از داده‌های غلظت نیترات در منطقه استفاده شد که نتایج همبستگی نسبی با ضریب همبستگی ۸۱/۰ را برای مدل دراستیک نشان داد. به منظور بهبود نتایج مدل، از ۴ روش هوش مصنوعی شامل شبکه عصبی مصنوعی، مدل فازی ساجنو و ممدانی، و مدل نروفازی استفاده شد. به این منظور داده های ورودی (پارامترهای دراستیک) و خروجی (آسیب پذیری) مدل و مقادیر نیترات مربوطه به ۲ دسته آموزش و آزمایش تقسیم شد. خروجی مربوط به مرحله آموزش با مقادیر نیترات مربوطه تصحیح شد و پس از آموزش مدل، با استفاده از مقادیر نیترات نتایج مدل‌ها در مرحله آزمایش مورد ارزیابی قرار گرفت. نتایج نشان داد که تمام مدل‌های هوش مصنوعی به کار گرفته شده، قابلیت بهبود نتایج مدل دراستیک اولیه را دارند، اما در این بین، مدل نروفازی بهترین نتایج را دربرداشت و به عنوان مدل نهایی برگزیده شد. به طوری که در مرحله آزمایش، تمام چاه‌های حاوی آلودگی نیترات بالا در دسته آسیب پذیری بالا قرار گرفتند. بر اساس مدل نهایی، نواحی باختری منطقه دارای بیشترین میزان پتانسیل آلودگی هستند. همچنین، نتایج نشان داد که مدل‌های هوش مصنوعی می‌تواند به عنوان روشی کارا جهت بهینه سازی مدل دراستیک عمل کند و نتایج دقیق‌تری از برآورد پتانسیل آلودگی در منطقه مورد مطالعه را در پی داشته باشد.
ارزیابی آسیبپذیری آبخوان به منظور تعیین مناطق دارای پتانسیل آلودگی برای مدیریت منابع آب‌زیرزمینی از اهمیت بالایی برخوردار است. در این تحقیق، با استفاده از مدل دراستیک ارزیابی آسیبپذیری آب زیرزمینی در آبخوان دشت مراغه- بناب برآورد شده است. در مدل دراستیک از پارامترهای مؤثر در ارزیابی آسیبپذیری سفر آب زیرزمینی شامل ژرفای سطح ایستابی، تغذیه، جنس سفره، نوع خاک، شیب توپوگرافی، مواد تشکیل‌دهنده منطق غیراشباع و هدایت هیدرولیکی استفاده میشود که به صورت ۷ لایه در محیط GIS تهیه شدند و با وزندهی و رتبهبندی و تلفیق ۷ لای یاد شده، نقشنهایی آسیبپذیری آبخوان نسبت به آلودگی، با تقسیمبندی به ۳ محدود آسیبپذیری کم، متوسط و زیاد تهیه و شاخص دراستیک برای کل منطقه بین ۸۱ تا ۱۱۶ برآورد شد. برای صحت‌سنجی مدل از داده‌های غلظت نیترات در منطقه استفاده شد که نتایج همبستگی نسبی با ضریب همبستگی ۸۱/۰ را برای مدل دراستیک نشان داد. به منظور بهبود نتایج مدل، از ۴ روش هوش مصنوعی شامل شبکه عصبی مصنوعی، مدل فازی ساجنو و ممدانی، و مدل نروفازی استفاده شد. به این منظور داده های ورودی (پارامترهای دراستیک) و خروجی (آسیب پذیری) مدل و مقادیر نیترات مربوطه به ۲ دسته آموزش و آزمایش تقسیم شد. خروجی مربوط به مرحله آموزش با مقادیر نیترات مربوطه تصحیح شد و پس از آموزش مدل، با استفاده از مقادیر نیترات نتایج مدل‌ها در مرحله آزمایش مورد ارزیابی قرار گرفت. نتایج نشان داد که تمام مدل‌های هوش مصنوعی به کار گرفته شده، قابلیت بهبود نتایج مدل دراستیک اولیه را دارند، اما در این بین، مدل نروفازی بهترین نتایج را دربرداشت و به عنوان مدل نهایی برگزیده شد. به طوری که در مرحله آزمایش، تمام چاه‌های حاوی آلودگی نیترات بالا در دسته آسیب پذیری بالا قرار گرفتند. بر اساس مدل نهایی، نواحی باختری منطقه دارای بیشترین میزان پتانسیل آلودگی هستند. همچنین، نتایج نشان داد که مدل‌های هوش مصنوعی می‌تواند به عنوان روشی کارا جهت بهینه سازی مدل دراستیک عمل کند و نتایج دقیق‌تری از برآورد پتانسیل آلودگی در منطقه مورد مطالعه را در پی داشته باشد.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.
