مقاله مطالعه توانایی مدلهای مختلف شبکه عصبی مصنوعی برای ارزیابی سطح آب زیرزمینی در سازند سخت

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

  مقاله مطالعه توانایی مدلهای مختلف شبکه عصبی مصنوعی برای ارزیابی سطح آب زیرزمینی در سازند سخت دارای ۱۶ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله مطالعه توانایی مدلهای مختلف شبکه عصبی مصنوعی برای ارزیابی سطح آب زیرزمینی در سازند سخت  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 مطالعه توانایی مدلهای مختلف شبکه عصبی مصنوعی برای ارزیابی سطح آب زیرزمینی در سازند سخت،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله مطالعه توانایی مدلهای مختلف شبکه عصبی مصنوعی برای ارزیابی سطح آب زیرزمینی در سازند سخت :

تعداد صفحات:۱۶

چکیده:

مدلسازی آبهای زیرزمینی در سازندهای سخت، یکی از موارد بسیار پیچیده و مهم در مطالعات هیدروژئولوژیکی است. آبخوانهای تشکیل یافته در این سازندها در برابر آلودگی و کاهش ذخیره آبخوان (به ویژه در اثر برداشت بیش از حد) بسیار آسیب پذیر می باشند. هدف این مقاله ارزیابی و مقایسه توانایی مدلهای مختلف شبکه های عصبی مصنوعی ARTIFICIAL NEURAL NETWORKS (ANN)برای پیش بینی سطح ایستابی در مناطقکارستی می باشد. بدین منظور به علت عدم دسترسی به داده های کامل در داخل کشور، آبخوان آزاد و آهکی شمال فرانسه که توسط لالاهم و همکاران در سال ۲۰۰۴ به وسیله شبکهMLPو الگوریتم انتشار خطا به عقب (BP) مدل شده و از داده های نسبتاً کاملی بر خوردار است، به عنوان محدوده مطالعاتی مورد استفاده قرار گرفت.برای مدلسازی این آبخوان از داده های نزدیکترین ایستگاههای سینوپتیک، سطح ایستابی در پیزومترها و شرایط تکتونیکی، زمین شناسی و هیدروژئولوژیکی منطقه مورد مطالعه استفاده گردیده است. مدلسازی سطح ایستابی آبخوان آزاد مذکور در پیزومتر منتخب(شماره ۲۶ ) توسط شش نوع دیگر از مدلهای مختلف شبکه عصبی مصنوعی صورت گرفت. در این مقاله چهار موضوع کلی شامل: الف) تعیین عوامل موثر بر تغییرات سطح ایستابی در آبخوان های آهکی، ب) تعیین مقدار تاخیر زمانی عوامل موثر بر تغییرات سطح ایستابی ج) پیش بینی سطح ایستابی در
پیزومتر منتخب و د) انتخاب بهترین مدل، مورد بررسی قرار گرفته است. از میان مدلهای شبکه عصبی مصنوعیمورد بررسی، شبکه پیشرو(FNN) با الگوریتم LMبه عنوان بهترین و منطقی ترین مدل با کمترین خطا انتخابشد و توانایی بالایی برای مدلسازی آبخوانهای آهکی نشان داد.