پیش بینی سطح ایستابی آب زیر زمینی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت بیرجند)
محل انتشار: هشتمین کنگره بین المللی مهندسی عمران
سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 3,896
فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICCE08_731
تاریخ نمایه سازی: 28 آبان 1387
چکیده مقاله:
دشت بیرجند با قرار گرفتن در منطقه خشک، استفاده از آبهای زیرزمینی را به عنوان مهمترین و در عین حال تنها ترین منبع تولید آب شیرین در پی 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 بنماید. دشت بیرجند با وسعت 268/82 کیلومتر مربع و با داشتن بیش از 23 چاه مشاهده ای که اغلب بیش از 15 سال اطلاعات ماهانه سطح آب در آنها درج شده است، در این تحقیق مورد آزمون قرار گرفت. بدین منظور ابتدا مرز حوضه که از سه طرف به ارتفاعات و از یک سو به گسلهای منطقه محدود می شد، تعیین گردید. 16 پیزومتر که دارای توالی آماری مناسبی بودند انتخاب شدند. شبکه تیسن با استفاده از نرم افزار GIS برای هر پیزومنر ترسیم شد. ورودی های شبکه های عصبی شامل سه پارامتر برداشت ماهانه آب از چاه های شرب و کشاورزی، ریزشهای جوی منطقه برای هر تیسن و سطح آب هر پیزومتر در زمان t-1 انتخاب شد. عملکرد شبکه های مختلف عصبی مصنوعی (ANN)، به صورت تک تک برای هر پیزومتر و به صورت یکجا با استفاده از نرم افزار MATLAB مورد آزمون واقع شدند. خروجی سطح آب زیرزمینی در هر پیزومتر در زمان t محاسبه شد. سپس نتایج مدل شبکه با سطح آب زیرزمینی ماهانه دشت به عنوان معیار سنجش مورد مقایسه و ارزیابی قرار گرفت. نتایج نشان داد با استفاده از شبکه عصبی مصنوعی می توان نوسانات سطح آب زیرزمینی را با دقت مطلوبی برآورد نمود.
کلیدواژه ها:
نویسندگان
محسن محتشم
دانشجوی کارشناسی ارشد منابع آب گرگان
امیراحمد دهقانی
استادیار گروه مهندسی آب دانشگاه گرگان
ابوالفضل اکبرپور
استادیار گروه مهندسی آب دانشگاه بیرجند
مهدی مفتاح هلقی
استادیار گروه مهندسی آب دانشگاه گرگان
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :