مقاله استفاده از شبکه عصبی مصنوعی MLP برای تخمین میزان ظرفیت تبادل کاتیونی

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

  مقاله استفاده از شبکه عصبی مصنوعی MLP برای تخمین میزان ظرفیت تبادل کاتیونی دارای ۸ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله استفاده از شبکه عصبی مصنوعی MLP برای تخمین میزان ظرفیت تبادل کاتیونی  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 استفاده از شبکه عصبی مصنوعی MLP برای تخمین میزان ظرفیت تبادل کاتیونی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله استفاده از شبکه عصبی مصنوعی MLP برای تخمین میزان ظرفیت تبادل کاتیونی :

تعداد صفحات:۸
چکیده:
ظرفیت تبادل کاتیونی یکی از ویژگی های شیمیایی مهم خاک بوده و منظور نمودن شاخص های حاصلخیزی خاک از جمله ظرفیت تبادل کاتیونی می تواند در ارتقاء و افزایش کیفیت نقشه های خاک مفید باشد. از آنجایی که اندازه گیری CEC بسیار پرهزینه و وقتگیر است، استفاده از شبکه عصبی مصنوعی می تواند راه کاری مناسب در برآورد این پارامتر به جای اندازه گیری مستقیم آن باشد. هدف از این تحقیق، تخمین مقدار ظرفیت تبادل کاتیونی خاک با کمک شبکه عصبی MLP با سه نوع تابع فعال سازی سیگموئید تانژآنت هایپربولیک، سیگموئید لگاریتمی و خطی با نرم افزار MATLAB از روی خصوصیات درصد رس، درصد سیلت و درصد کربن آلی خاک و همچنین انتخاب بهترین تابع برای برآورد این خصوصیت می باشد. برای این منظور ۶۷ نمونه خاک جمع آوری گردید وپس از آماده سازی نمونه ها )هوا خشک نمودن، کوبیدن و الک کردن نمونه ها(، مقدار ظرفیت تبادل کاتیونی )به روش استات سدیم در pH= 8/2 (، درصد رس و سیلت )به روش هیدرومتری( و کربن آلی )به روش والکی بلک( نمونه ها اندازه گیری شدند. نتایج حاصل از پژوهش نشان داد که شبکه عصبی مصنوعی با تابع فعال سازی سیگموئید لگاریتیمی با تعداد ۱۱ نرون در لایه مخفی با شاخص های عملکرد ۲R و RMSE 4 ، ۰/۷۱۰۶و۴/۶۳۳در مقایسه با سایر توابع فعال سازی بهترین عملکرد را در برآورد خروجی ظرفیت تبادل ، کاتیونی خاک داشته است. همچنین آنالیز حساست نیز نشان داد که پارامتر ورودی درصد رس در مدل شبکه عصبی بیشترین تاثیر را بر خروجی مدل )ظرفیت تبادل کاتیونی( داشته است.