مقاله پیش بینی تراز آب زیرزمینی در آبخوان محدوده ارسنجان با استفاده از شبکه های عصبی مصنوعی

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

  مقاله پیش بینی تراز آب زیرزمینی در آبخوان محدوده ارسنجان با استفاده از شبکه های عصبی مصنوعی دارای ۱۱ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیش بینی تراز آب زیرزمینی در آبخوان محدوده ارسنجان با استفاده از شبکه های عصبی مصنوعی  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 پیش بینی تراز آب زیرزمینی در آبخوان محدوده ارسنجان با استفاده از شبکه های عصبی مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیش بینی تراز آب زیرزمینی در آبخوان محدوده ارسنجان با استفاده از شبکه های عصبی مصنوعی :

تعداد صفحات:۱۱

چکیده:

شبیه سازی سیستم آبهای زیرزمینی به دلیل پیچیدگیهای موجود در طبیعت این سیستمها، به آسانی میسر نیست. این درحالیست که شبکه های عصبی مصنوعی به عنوان مدل جعبه سیاه با توانایی های بالایی که دارند برای مدلسازی سیستمهای پیچیده و غیرخطی بسیار مناسب می باشند. شبکه های عصبی مصنوعی بر مبنای استفاده از دانش نهفته بین متغیرهای ورودی و خروجی یک سیستم و بدون در نظر گرفتن فیزیک مسئله، قادر به استخراج روابط ذاتی بین آنها و تعمیم آن در موقعیت های دیگر هستند. میتوان گفت که این شبکه ها با الهام گرفتن از مدل مغز انسان و ضمن اجرای فرآیند آموزش و ذخیره سازی اطلاعات، قادر به پیش بینی رفتار یک سیستم می باشند. پر واضح است که به منظور دستیابی به جوابهای مناسب و قابل قبول از شبکه عصبی باید انواع ترکیبات ورودی شبکه، تعداد لایه های شبکه، تعداد نورونهای لایه های ورودی و مخفی شبکه و غیره مورد ارزیابی و بررسی قرار گیرند. هدف از انجام این تحقیق ارزیابی توانائی شبکه های عصبی مختلف در پیش بینی تراز آبهای زیرزمینی محدوده ارسنجان در استان فارس می باشد. ساختارهای مختلف مورد استفاده در این تحقیق شامل سه شبکه عصبی (پیشرو، برگشتی و تابع شعاعی) و دو الگوریتم (لونبرگ-مارکوارت و پس انتشار خطا) بوده است. بر اساس نتایج حاصله، الگوریتم لونبرگ-مارکوارت کمترین خطا را در ساختارهای مورد استفاده داشته و می توان گفت ساختارهایی که از این الگوریتم سود بردند نتایج قابل قبولی ارائه کرده اند. از نظر توانائی شبکه های مختلف مورد استفاده، شبکه های عصبی مصنوعی پیشرو با الگوریتم لونبرگ-مارکوارت بهترین نتایج را ارائه داد. این ساختار توانست پیش بینی ماهانه ای از سطح ایستابی آبهای زیرزمینی در بازه زمانی دو ساله برای مراحل آموزش و آزمایش ارائه نماید.