مقاله بیشتر از سطح ایستایی بخشی از آبخوان دشت قزوین با استفاده از شبکه عصبی مصنوعی

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

  مقاله بیشتر از سطح ایستایی بخشی از آبخوان دشت قزوین با استفاده از شبکه عصبی مصنوعی دارای ۱۴ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله بیشتر از سطح ایستایی بخشی از آبخوان دشت قزوین با استفاده از شبکه 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 بیشتر از سطح ایستایی بخشی از آبخوان دشت قزوین با استفاده از شبکه عصبی مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله بیشتر از سطح ایستایی بخشی از آبخوان دشت قزوین با استفاده از شبکه عصبی مصنوعی :

تعداد صفحات:۱۴
چکیده:
مدیریت منابع آب زیرزمینی، نقش کلیدی را در پایداری منابع آب در نواحی خشک و نیمه خشک ایفا می کند با توجه به نوسانات آفت مستمر و چشمگیری تر از سطحآب زیرزمینی در سال های اخیر و تاثیرگذار بودن آن در مطالعات و مدیریت منابع آب زیرزمینی این تحقیق با هدف پیش بینی و شبیه سازی تراز سطح ایستایی بخشی از آبخوان نیمه شرقی دشت قزوین توسط شبکه عصبی پرسپترون چند لایه (MLP) با استفاده از نرم افزار MATLAB بدین جهت انجام شده است تا سیاست گذاران تخصیص و بهره برداران از منابع آبی را قادر سازد تا با رویکرد بهینه مصرف، جهت استحصال آب،ر اه کارهای مدیریتی اتخاذ نمایند در پژوهش پیش رو ابتدا با در دست داشتن مختصات پیزومترهای مشاهداتی (انتخابی) ایستگاه های باران سنجی و تبخیر سنجی نقشه محدوده مورد مطالعه توسط نرم افزار ArcGIS9.3 استخراج گردید و پس از آن مقادیر ماهانه تراز سطح ایستایی مربوط به ۳۱ پیروخمتر مشاهداتی داده های ماهانه متغیرهای تبخیر، مقادیرم اهانه بارندگی، تبخیر و تعرق و دما، بعنوان مهمترین پارامترهای ورودی اثرگذار بر نوسانات سطح ایستایی در فاصله بین سال های ۱۳۸۹-۱۳۸۷ و مقادیر ماهانه تراز سطح ایستایی در سال ۱۳۸۸ بعنوان تابع هدف (پیش بینی) جهت اجرای فرآیند مدلسازی در شبکه عصبی انتخاب گردیدند. لذا پس از اجرای چندین باره مدل، بهترین شبکه عصبی بدست آمده با تابع آموزش TRAINLM با دو لایه پنهان که به ترتیب دارای ۱۰ و ۱۰ نورون می باشند قادر است تا تراز سطح ایستایی را در محدوده مطالعاتی مورد نظر با ضریب همبستگی (R=0/998) پیش بینی و تخمین بزند خاطرنشان می گردد بر اساس خروجی مدل منتخب مقادیر خطا با استفاده از دو معیاره برآورد گردیده اند (RMSE=0/108 و NMSE=0/0025) که مقادیر مربوط به آنها نشان از دقت بالای عملیات و معماری دقیق شبکه به جهت پیش بینی مورد نظر دارند.