CIVILICA We Respect the Science
ناشر تخصصی کنفرانسهای ایران
عنوان
مقاله

پیش بینی تراز اب زیرزمینی با استفاده از مدل شبکه عصبی- موجک (مطالعه موردی: دشث قم )

اعتبار موردنیاز : ۱ | تعداد صفحات: ۱۶ | تعداد نمایش خلاصه: ۱۶۰ | نظرات: ۰
سال انتشار: ۱۳۹۲
کد COI مقاله: ABYARI12_337
زبان مقاله: فارسی
حجم فایل: ۵۳۳.۷۵ کیلوبایت (فایل این مقاله در ۱۶ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

اگر در مجموعه سیویلیکا عضو نیستید، به راحتی می توانید از طریق فرم روبرو اصل این مقاله را خریداری نمایید.
با عضویت در سیویلیکا می توانید اصل مقالات را با حداقل ۳۳ درصد تخفیف (دو سوم قیمت خرید تک مقاله) دریافت نمایید. برای عضویت در سیویلیکا به صفحه ثبت نام مراجعه نمایید. در صورتی که دارای نام کاربری در مجموعه سیویلیکا هستید، ابتدا از قسمت بالای صفحه با نام کاربری خود وارد شده و سپس به این صفحه مراجعه نمایید.
لطفا قبل از اقدام به خرید اینترنتی این مقاله، ابتدا تعداد صفحات مقاله را در بالای این صفحه کنترل نمایید.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۶ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳,۰۰۰ تومان

آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله پیش بینی تراز اب زیرزمینی با استفاده از مدل شبکه عصبی- موجک (مطالعه موردی: دشث قم )

    طاهر رجایی - استادیار و مدیر گروه مهندسی عمران،دانشگاه قم
  هادی ابراهیمی - دانشجوی کارشناسی ارشد سازه های هیدرولیکی گروه مهندسی عمران،دانشگاه قم
  محمد ذونعمت کرمانی - استادیار بخش مهندسی آب، دانشگاه شهید باهنر کرمان

چکیده مقاله:

مدل های پیش بینی صحیح و قابل طمینان تراز آب زیرزمینی برای مدیریت منابع آب و استفاده پایدار از آبخوان ها اهمیت دارند. در مقاله حاضر کاربرد مدل های شبکه عصبی، ترکیبی شبکه عصبی- موجک و رگرسیون خطی چند متغیره ‏در پیش بینی تراز آب زیرزمینی سه حلقه چاه ‏پیزومتری واقع در دشت قم مورد بررسی قرار گرفته است. داده ‏های ورودی شامل سری زمانی تراز آب زیرزمینی است که به مدت 10 ‏سال از فروردین 1381 ‏ تا اسفند 1390 ‏به صورت ماهیانه اندازه ‏گیری شده ا‏ست. نتایج حاکی از این است که مدل ترکیبی شبکه عصبی- موجک از مدل شبکه عصبی و مدل رگرسیونی دقیق تر است. این مدل تنها با استفاده از یک ورودی یعنی سری زمانی تراز آب زیرزمینی در زمان گذشته، توانست پیش بینی قابل قبولی از تراز آب زیرزمینی تا 12 ‏ماه آینده ارائه دهد: در حالی که پیش بینی مدل رگرسیون خطی چندگانه حداکثر تا 3 ‏ماه آینده قابل قبول است. همچنین مدل ترکیبی شبکه عصبی- موجک قادر است مقدار و زمان وقوع افت یا افزایش های ناگهانی تراز آب زیرزمینی را پیش بینی نماید در حالی که دو مدل دیگر قادر به پیش بینی تغییرات ناگهانی نیستند.

کلیدواژه‌ها:

شبکه عصبی، موجک، تراز آب زیرزمینی، دشت قم، مدلی پیش بینی

کد مقاله/لینک ثابت به این مقاله

برای لینک دهی به این مقاله، می توانید از لینک زیر استفاده نمایید. این لینک همیشه ثابت است و به عنوان سند ثبت مقاله در مرجع سیویلیکا مورد استفاده قرار میگیرد:
https://www.civilica.com/Paper-ABYARI12-ABYARI12_337.html
کد COI مقاله: ABYARI12_337

نحوه استناد به مقاله:

در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید:
رجایی, طاهر؛ هادی ابراهیمی و محمد ذونعمت کرمانی، ۱۳۹۲، پیش بینی تراز اب زیرزمینی با استفاده از مدل شبکه عصبی- موجک (مطالعه موردی: دشث قم )، دوازدهمین همایش سراسری آبیاری و کاهش تبخیر، کرمان، دانشگاه شهید باهنر کرمان، https://www.civilica.com/Paper-ABYARI12-ABYARI12_337.html

در داخل متن نیز هر جا که به عبارت و یا دستاوردی از این مقاله اشاره شود پس از ذکر مطلب، در داخل پارانتز، مشخصات زیر نوشته می شود.
برای بار اول: (رجایی, طاهر؛ هادی ابراهیمی و محمد ذونعمت کرمانی، ۱۳۹۲)
برای بار دوم به بعد: (رجایی؛ ابراهیمی و ذونعمت کرمانی، ۱۳۹۲)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

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 :

  • رجایی، ط.، (۱۳۸۸). "پیش بینی غلظت روب ایستگاه لیقوان چای ... [مقاله کنفرانسی]
  • رجائی، ط.، میر باقری، س. ا.، (۱۳۸۸). "مدل بار معلق ... (مقاله ژورنالی)
  • زارع ابیانه، ح.، بیات ورکشی، م.، اخوان، س.، محمدی، م.، ... (مقاله ژورنالی)
  • I۴] شرکت مهندسین مشاور لار.، (۱۳۸۳). "مطالعات کیفی و آلودگی ...
  • علیزاده، امین.، (۱۳۹۰). " اصول هیدرولوژی کاربردی"، انتشارات آستان قدس ...
  • محتشم، م، دهقانی، ا، اکبرپور، ا، مفتاح هلقی، م.، اعتباری، ... (مقاله ژورنالی)
  • مزایای شبکه عصبی موجکی در پیش بینی نوسانات سطح آب زیرزمینی [مقاله کنفرانسی]
  • بررسی رخداد نفوذ آب شور دریاچه نمکبه آبخوان دشت قم با استفاده ازمدلسازی کمی آبخوان [مقاله کنفرانسی]
  • مدلسازی بارش - رواناب با مدل ترکیبی موجک - شبکه عصبی مصنوعی [مقاله کنفرانسی]
  • نیک منش، م.، رخشنده رو، غ، (۱۳۹۰). ۲ ارزیابی توانایی ...
  • Adamowski, J., and Chan, F. H., (2011). _ wavelet neurl ...
  • Beale, M. H., Hagan, M. T., and Demuth, H. B., ...
  • Misiti, M., Misiti, Y., Oppenheim G, and Poggi, J. M., ...
  • Rajaee, T., (2011). _ and ANN combination model for prediction ...
  • Rajaee, T., Mirbagheri, S.A., Nourani, V., Alikhani, A., (2010) :Prediction ...
  • Rajaee, T., Nourani, V., Zo unemat- Kermani, M., and Kisi, ...
  • Wang, L.Y., (2010). "Forecasting grondwater level based On wavelet network ...
  • علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز: دانشگاه دولتی
    تعداد مقالات: ۳۰۴۰
    در بخش علم سنجی پایگاه سیویلیکا می توانید رتبه بندی علمی مراکز دانشگاهی و پژوهشی کشور را بر اساس آمار مقالات نمایه شده مشاهده نمایید.

    مدیریت اطلاعات پژوهشی

    اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    مقالات پیشنهادی مرتبط

    مقالات مرتبط جدید

    شبکه تبلیغات علمی کشور

    به اشتراک گذاری این صفحه

    اطلاعات بیشتر درباره COI

    COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
    کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.