پیش بینی سطح آب زیرزمینی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: اراضی کشاورزی نواحی جلگه ای بین رودخانه تجن تا نکارود، استان مازندران) دارای 8 صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است
فایل ورد پیش بینی سطح آب زیرزمینی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: اراضی کشاورزی نواحی جلگه ای بین رودخانه تجن تا نکارود، استان مازندران) 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 پیش بینی سطح آب زیرزمینی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: اراضی کشاورزی نواحی جلگه ای بین رودخانه تجن تا نکارود، استان مازندران)،به هیچ وجه بهم ریختگی وجود ندارد
بخشی از متن پیش بینی سطح آب زیرزمینی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: اراضی کشاورزی نواحی جلگه ای بین رودخانه تجن تا نکارود، استان مازندران) :
سال انتشار : 1392
نام کنفرانس یا همایش : دوازدهمین همایش سراسری آبیاری و کاهش تبخیر
تعداد صفحات : 8
چکیده مقاله:
با توجه به آن که رفتار سیستم آب زیر زمینی پیچیده، غیرخطی و متاثر از پارامترهای زیادی است، پیش بینی تراز سطح آب زیر زمینی امری دشوار به نظر می رسد. یک روش متداول برای حل چنین مساله ای، استفاده از شبکه عصبی مصنوعی (ANN) است که بسیاری از محققین، بر توانایی بالای آن در برآورد نوسانات تراز آب زیرزمینی با لحاظ متغیرهای هیدرولوژیکی اذعان داشته اند. مزیت مهم این روش در مدل سازی این است که برای تبدیل نهاده ها به ستاده ها در آن، نیازی به تعیین رابطه فیزیکی مشخص نیست. در این پژوهش، با توجه به اهمیت داده های تراز آب زیرسطحی در طرح زه کشی زیرزمینی، ازANNبرای پیش بینی سطح آب زیرسطحی در اراضی کشاورزی جلگه ای محدوده نکارود تا تجن استفاده شده است. حجم آب ورودی به پلی گون هر چاهک (بر ساس بارندگی) و حجم آب خروجی هر پلی گون (بر اساس تبخیر از تشت) و دمای متوسط در پایان دوره زمانی و عمق سطح ایستابی در دوره زمانی قبلی، به عنوان پارامترهای ورودی و عمق سطح ایستابی در پایان دوره مورد نظر بعنوان خروجی مدل در نظر گرفته شد. نتایج نشان می دهد؛با حذف چاهک های دارای عمق سطح آب صفر، در صورتی که در ماهیت و فیزیک مسئله مشکلی ایجاد نکند، می توان به دقت قابل قبولی در پیش بینی سطح زیرزمینی در منطقه مورد مطالعه دست یافت. در ضمن در صورت استفاده، پارامتر دما تا 10% می تواند در افزایش دقت پارامترR تاثیر گذار باشد و کاربرد دو لایه میانی و 10 نرون در هر لایه و تابع آموزش TRAINLM و تابع محرک TANSIG نسبت به توابع LOGSIGو PURLN دقیق ترین شبکه ها را نتیجه می دهد.
دانلود این فایل
