مقاله پیش بینی سطح ایستابی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت بیرجند)

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

  مقاله پیش بینی سطح ایستابی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت بیرجند) دارای ۱۲ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله پیش بینی سطح ایستابی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت بیرجند)  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 سطح ایستابی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت بیرجند)،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله پیش بینی سطح ایستابی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت بیرجند) :

مقاله پیش بینی سطح ایستابی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت بیرجند) که چکیده‌ی آن در زیر آورده شده است، در بهار ۱۳۸۹ در مجله آبیاری و زهکشی ایران از صفحه ۱ تا ۱۰ منتشر شده است.
نام: پیش بینی سطح ایستابی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت بیرجند)
این مقاله دارای ۱۰ صفحه می‌باشد، که برای تهیه‌ی آن می‌توانید بر روی گزینه‌ی خرید مقاله کلیک کنید.
کلمات مرتبط / کلیدی:
مقاله سطح آب زیرزمینی
مقاله شبکه عصبی مصنوعی
مقاله الگوریتم آموزش
مقاله دشت بیرجند

چکیده و خلاصه‌ای از مقاله:
آبهای زیرزمینی همواره به عنوان یکی از منابع مهم و عمده تامین آب شرب و کشاورزی به ویژه در مناطق خشک و نیمه خشک مطرح بوده است. دشت بیرجند نیز با قرار گرفتن در منطقه خشک، استفاده از آبهای زیرزمینی را به عنوان مهمترین و در عین حال تنهاترین منبع تولید آب شیرین در پیش رو دارد. در همین زمینه پیش بینی نوسانات سطح آب زیرزمینی دشت می تواند کمک شایانی به برنامه ریزی و تصمیم گیری های بعدی، جهت تامین دراز مدت آب شرب، کشاورزی و صنعت نماید. در این تحقیق هدف تخمین سطح آب زیرزمینی دشت بیرجند با استفاده از شبکه عصبی مصنوعی می باشد. روش شبکه عصبی مصنوعی یکی از روشهای هوشمند می باشد که با استفاده از ارتباط ذاتی داده ها، روابط غیر خطی بین آنها را یاد گرفته و نتایج را برای بقیه حالتها تعمیم می دهد. بمنظور آموزش مدل، از اطلاعات ۱۶ پیزومتر که اغلب دارای بیش از ۱۵ سال آمار بودند، استفاده گردید. ورودی های مدل، میزان برداشت آب از چاههای آب شرب، صنعت و کشاورزی، میزان آب ورودی به هر پلیگون بر حسب متر مکعب (ناشی از بارندگی منطقه) و تراز سطح آب در هر پیزومتر در گام زمانی قبل و خروجی مدل، تراز سطح آب در گام زمانی فعلی بوده است. بر خلاف تحقیقات گذشته که از اطلاعات تبخیر از سطح گیاه مرجع به عنوان شاخص برداشت آب استفاده شده است، در این تحقیق، حجم آب برداشتی در هر ماه از کنتورهای توربینی، الکترومغناطیس و آلتراسونیک، با دقت بسیار بالا محاسبه گردید. در چاههای آب کشاورزی نیزکه طیف وسیعی از چاهها را شامل می شد، با توجه به آزمایش پمپاژ، ساعت کارکرد الکتروپمپ و دبی سنجی های سالانه حجم آب برداشت شده از آبخوان در هر پلیگون محاسبه شد. همچنین از روش شبکه عصبی مصنوعی در دو حالت (برای هر پیزومتر یک شبکه عصبی و یا یک شبکه عصبی برای کل پیزومترها) استفاده شد. نتایج این تحقیق نشان می دهد که با استفاده از روش شبکه عصبی مصنوعی و تدقیق تخمین میزان آب برداشتی می توان سطح آب زیرزمینی را تا ۱۲ ماه بعد و با دقت بالاتر (۹۹/۰=R^۲، MSE=0.032) نسبت به روشهایی که از اطلاعات تبخیر از سطح گیاه مرجع به عنوان شاخص برداشت آب استفاده می کنند، تخمین زد. همچنین در نظر گرفتن شبکه برای تک تک پیزومترها به طور مجزا نسبت به اجرای شبکه برای کل پیزومترها از دقت بالاتری برخوردار است.