دانش رسان |
مرکز علم و دانش کشور مقاله تخمین نیترات آب زیرزمینی دشت همدان- بهار با استفاده از شبکه عصبی مصنوعی و اثر تفکیک داده‌ها بر دقت پیش‌بینی
در حال بارگذاری
توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد
مقاله تخمین نیترات آب زیرزمینی دشت همدان- بهار با استفاده از شبکه عصبی مصنوعی و اثر تفکیک داده‌ها بر دقت پیش‌بینی دارای ۲۱ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد مقاله تخمین نیترات آب زیرزمینی دشت همدان- بهار با استفاده از شبکه عصبی مصنوعی و اثر تفکیک داده‌ها بر دقت پیش‌بینی 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 تخمین نیترات آب زیرزمینی دشت همدان- بهار با استفاده از شبکه عصبی مصنوعی و اثر تفکیک داده‌ها بر دقت پیش‌بینی،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن مقاله تخمین نیترات آب زیرزمینی دشت همدان- بهار با استفاده از شبکه عصبی مصنوعی و اثر تفکیک داده‌ها بر دقت پیش‌بینی :
تعداد صفحات :۲۱
کسب اطلاعات لازم در خصوص نیترات در منابع آب زیرزمینی مستلزم اندازه‌گیری‌های دقیق دوره‌ای است که با وجود اندازه‌گیری آن در برخی مناطق، به‌علت حساسیت‌های اجتماعی و سلامتی جامعه گزارش نمی‌شود. بنابراین مدل‌سازی آن به علت اطلاع از وضعیت کیفی آب هر منطقه ضروری به‌نظر می‌رسد. هدف این مطالعه استفاده از روش شبکه عصبی مصنوعی در برآورد نیترات و مقایسه آن با مقادیر اندازه‌گیری شده و بررسی تأثیرپذیری برآورد نیترات از تعداد و ماهیت اطلاعات ورودی به مدل شبکه عصبی بود. داده‌ها از آمار و اطلاعات کمی و کیفی ۵۳ حلقه چاه آب زیرزمینی دشت همدان- بهار در دو گروه اطلاعات پرهزینه و کم هزینه، طی سالهای ۱۳۸۲ تا ۱۳۸۷ اخذ شد. در گروه اطلاعات پرهزینه از ۱۳ متغیر مستقل شیمیایی به عنوان ورودی شبکه عصبی مصنوعی و در گروه کم هزینه از ۷ و ۸ متغیر به تفکیک برای مدل‌سازی نیترات استفاده شد. مقایسه نتایج آزمون هر سه آرایش، حاکی از توانایی بالای مدل شبکه عصبی در پیش‌بینی غلظت نیترات است. مقایسه میانگین خطاهای حاصل از هر سه مدل شبکه عصبی با آزمون t و آماره Z نشان داد که تفاوت معنی‌داری بین نتایج مدل‌ها وجود ندارد. بنابراین استفاده از اطلاعات گروه دوم در ورودی شبکه عصبی قابل توجیه است. مشخصه‌های ورودی مدل پیشنهادی شامل خصوصیات ژئومرفولوژی عمق استاتیک، عمق چاه، مختصات جغرافیایی و اطلاعات کیفی دما، pH ، هدایت الکتریکی نمونه‌های آب اندازه‌گیری شده است که موفق به پیش‌بینی غلظت نیترات با اطمینانی بیش از ۸۰ درصد شد که مؤید کارایی مناسب مدل در آبخوان دشت همدان-بهار است.
- در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.
