مدلسازی ضریب جذب کادمیوم در خاک توسط شبکه عصبی مصنوعی

سال انتشار: 1388
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 1,620

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ISOEE02_059

تاریخ نمایه سازی: 30 شهریور 1388

چکیده مقاله:

امروزه یکی از مشکلات زیست محیطی مناطق پر جمعیت و صنعتی آلودگی خاک و آبهای زیرزمینی به فلزات سنگین میباشد. مطالعات در این زمینه و انتخاب روشهای مناسب پاکسازی مناطق آلوده مستلزم تعیین یا تخمین ضریب جذب (Kd) آلاینده در خاک است. در این پژوهش نتایج تحقیقات گذشته جمعآوری و عوامل موثر در ضریب جذب کادمیوم مشخص شده است . بر اساس اطلاعات بدست آمده پارامترهای موثر در مقدار ضریب جذب عبارتند از : pH، درصد رس، TOC,CEC، غلظت اولیه کادمیوم محلول و غلظت اکسیدهای آهن. در ادامه کار مدلسازی توسط شبکه عصبی صورت گرفته است. نتایج این پژوهش نشان می دهد با انتخاب شبکه عصبی مناسب و بهینه سازی ساختار آن می توان با اندازه گیری پارامترهای موثر در جذب کادمیوم مقدار ضریب جذب کادمیوم در خاک را با ضریب همبستگی خطی و خطای نسبی قابل قبول پیش بینی کرد. با توجه به اینکه روش - های برجا و آزمایشگاهی تعیین ضریب جذب با صرف هزینه و وقت همراه است میتوان به کمک این مدل ضریب جذب کادمیوم را تخمین زد.

کلیدواژه ها:

مدلسازی جذب در خاک ، ضریب جذب (Kd) کادمیوم ، شبکه های عصبی مصنوعی ، شبکه پیش خور ، و پس انتشار

نویسندگان

حسن قاسم زاده

استادیار خاک و پی، دانشکده مهندسی عمران، دانشگاه صنعتی خواجه نصیرالد

میثم افشاری

دانشجوی کارشناسی ارشد مهندسی محیط زیست، دانشکده مهندسی عمران، دانشگ

محمدرضا صبور

استاد یار محیط زیست، دانشکده مهندسی عمران، دانشگاه صنعتی خواجه نصیرا

مصطفی ابوالفضل زاده

دانشجوی دکترای مهندسی ژئوتکنیک، دانشکده مهندسی عمران و محیط زیست، دا

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 :
  • Wang T.H., Li M.H., Teng Sh.P., "Bridging the gap between ...
  • EPA 402-R-99-0 _ 4 A, "Uderstanding variation in partition coefficient, ...
  • Ab o] fazl zadehdo shsnbehbazar _ Falamaki A., UIrich A.C., ...
  • Lee S.Z., Allen H.E., Huang C.P., Sparks D.L. "Predicting soil-water ...
  • EPA 402-R-99-0 _ 4B, "Uderstanding variation in partition coefficient, Kd, ...
  • _ Zhenqing Sh. , Herbert E. A. , Dominic M. ...
  • Li L. Z., Zhou D.M. Wang P., Allen H. E... ...
  • Shahin M.A., Jaksa M.B., Maier H.R, "Artificial Neural Network Applications ...
  • Sivakugan, N., Eckersley, J. D., and Li, H. "Settlement predictions ...
  • 0- Ural, D. N., and Saka, H., " Liquefaction assessment ...
  • 1- Najjar, Y. M. and Ali, H. E., "CPT-based liquefaction ...
  • Baxter, C.W., Zhang, Q., Stanley, S.J., Shariff, R., Tupas, R-R.T ...
  • Chau K. W., :A review on integration of artificial intelligence ...
  • 4- Palani S., Liong Sh. Y., Tkalich P., :An ANN ...
  • Yetilmezsoy, K. and Demirel S. :Artificial neural network (ANN) approach ...
  • Gao C., Govind R., Tabak H. H., "Predicting soil sorption ...
  • Demnth H., Beale M., Hagan M., :Neural Network ToolboxTM 6 ...
  • Senevirathna M., "Fuzzy rule based models for contaminat transport around ...
  • نمایش کامل مراجع