مقاله شبیه سازی سطح ایستابی دشت ملایر براساس داده های هواشناسی با استفاده از شبکه‎ی عصبی مصنوعی

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

 مقاله شبیه سازی سطح ایستابی دشت ملایر براساس داده های هواشناسی با استفاده از شبکه‎ی عصبی مصنوعی دارای ۲۱ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد مقاله شبیه سازی سطح ایستابی دشت ملایر براساس داده های هواشناسی با استفاده از شبکه‎ی 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 شبیه سازی سطح ایستابی دشت ملایر براساس داده های هواشناسی با استفاده از شبکه‎ی عصبی مصنوعی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن مقاله شبیه سازی سطح ایستابی دشت ملایر براساس داده های هواشناسی با استفاده از شبکه‎ی عصبی مصنوعی :

تعداد صفحات :۲۱

برای بررسی کارایی شبکه‎ی عصبی مصنوعی در شبیه‌سازی تغییرات سطح ایستابی سفره‎ی آب زیرزمینی دشت ملایر، از اطلاعات هواشناسی ایستگاه‌های تبخیرسنجی در سطح دشت، حجم آب برداشتی از سفره و مقادیر سطح ایستابی آن استفاده شد. از این اطلاعات، به‌عنوان ورودی شبکه‎ی عصبی مصنوعی نوع پرسپترون چندلایه در چارچوب چهار ساختار اطلاعاتی استفاده شد. ساختار اوّل، شامل میانگین اطلاعات دمای حدّاکثر هوا، دمای حدّاقل هوا، حدّاکثر رطوبت نسبی هوا، حدّاقل رطوبت نسبی هوا و میانگین تبخیر در مقیاس زمانی ماهانه و ارتفاع سطح ایستابی ماه پیش بود. در ساختار دوم از اطلاعات سطح ایستابی در یک، دو، سه و چهار ماه پیش استفاده شد. در ساختار سوم، افزون‎بر اطلاعات ساختار شماره‎ی دو، میانگین سطح ایستابی ماه مورد نظر و میانگین سطح ایستابی ماه پیش هم به‌کار گرفته شد. ساختار چهارم، براساس میانگین سطح ایستابی ماه مورد نظر، میانگین سطح ایستابی ماه پیش و اطلاعات هواشناسی ماهانه تعریف شد. ساختار سوم با آرایش ۱-۴-۴-۶، به‌عنوان ساختار مناسب با ۹/۱ درصد خطا در مقایسه با مقادیر واقعی پیشنهاد شد که نشان‌دهنده‎ی اهمّیّت به‌کارگیری عوامل سطح ایستابی سال‎های گذشته، در ورودی شبکه‎ی عصبی است. اجرای مدل بهینه‎ی شبکه‎ی عصبی، افت سطح ایستابی را ۱۸/۱ متر، به‎ازای ۹/۱ درصد خطا برآورد کرد. جذر میانگین مربّعات خطا در مدل بهینه‎ی شبکه‎ی عصبی با آرایش ۱-۴-۴-۶ بر مبنای قانون آموزش لونبرگ مارکوات و تابع محرک سیگموئید، در مقابل تغییرات واقعی سطح سفره ۴۴/۰ متر با ضریب تعیین ۹۹/۰ به‎دست آمد. با توجّه به دقّت مناسب مدل و روند کاهنده‎ی حاکم بر سفره، می‎توان استفاده از شبکه‎ی عصبی مصنوعی برای تصمیم‌گیری در مدیریت دشت را، به‎عنوان ابزاری با سرعت و دقّت مناسب در شبیه‌سازی سطح آب زیرزمینی دشت ملایر، توصیه کرد.