بررسی کارایی شبکه های عصبی مصنوعی در مدلسازی آلودگی آب رودخانه با استفاده از پارامتر های کیفی

سال انتشار: 1389
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 2,185

فایل این مقاله در 10 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CHKI01_031

تاریخ نمایه سازی: 8 دی 1388

چکیده مقاله:

هدف از این تحقیق بررسی کارایی شبکه های عصبی مصنوعی در مدل کردن میزان آلودگی ناشی از هدایت الکتریکی (EC) و مواد جامد محلول (TDS) با استفاده از سایر پارامترهای کیفی (PH، کربنات، کلر، سولفات، مجموع آنیون، مجموع کاتیون، کلسیم، منیزیم، SAR و سدیم) و همچنین بررسی درصد اهمیت هر یک از پارامترهای کیفی مورد استفاده در پیش بینی EC و TDS در رودخانه کر واقع در استان فارس می باشد. اطلاعات کیفی مورد استفاده از ایستگاه چمریز برداشت گردید. ابتدا بهترین ساختار شبکه عصبی مصنوعی جهت مدلسازی تعیین و سپس اقدام به پیش بینی آلودگی گردید. مشاهده شد که شبکه های عصبی مصنوعی قادر به مدلسازی پارامتر های آلودگی ECو TDS با ضریب همبستگی بسیار بالا و خطای بسیار کم می باشد. میزان درصد اهمیت و مشارکت پارامترهای کیفی در پیش بینی میزان آلودگی آب رودخانه مشخص شد. بنابراین با توجه به درصد اهمیت و مشارکت هر پارامتر کیفی می توان پارامترهایی که از اهمیت کمتری برخوردار هستند را حذف نمود. در نتیجه با استفاده از مدل شبکه های عصبی مصنوعی قادر به پیش بینی میزان آلودگی با استفاده از تعداد کمی پارامترهای کیفی می باشیم.

کلیدواژه ها:

شبکه های عصبی مصنوعی ، مدلسازی ، آلودگی ، رودخانه ، پارامترهای کیفی

نویسندگان

علیرضا فرهمند

عضو هیئت علمی دانشگاه آزاد اسلامی واحد علوم و تحقیقات فارس، گروه عمرا

فروغ گلکار

کارشناس ارشد هواشناسی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات فارس

فاطمه فرهمند

کارشناس ارشد آمار، دانشگاه آزاد اسلامی واحد علوم و تحقیقات فارس

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 :
  • Leahy, P., G. Kiely, and G., Corcoran, "Structural optimisation and ...
  • Zhu, Y.M., and L.Y., Zhou, "Suspended sediment fluk modeling with ...
  • Gomeza, H., and T., Kavzoglub, "Assessment of shallow landslide susceptibility ...
  • Govindaraju, R.S., "Artificial neural network in hydrology. I: Hydrological Applications", ...
  • Michaelide, S., S. Pattichis, and G., Kleovoulou, "Classification of rainfall ...
  • Sahoo, G.B., C. Ray, E. Mehnert, and D.A., Keefer, "Application ...
  • Stenemo, F., A.M.L. Lindahl, A. Gardenas, and N., Jarvis, _ ...
  • Tabach, E.E., L. Lancelota, I. Shahroura, and Y., Najjarb, "Use ...
  • Heykin, S., "Neural network: _ comprehensive foundation", Macmillan College Publishing ...
  • Inmaculada P.C., and M.M. Portela, "Application of neural approaches to ...
  • Luk K.C., J.E. Ball, and A., Sharma, "An application of ...
  • Jain A., K.P. Sudheer, and S. Srinivasulu, "Identification of physical ...
  • نمایش کامل مراجع