CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)
عنوان
مقاله

مقایسه عملکرد دو مدل DRAINMOD و شبکه عصبی مصنوعی در پیش بینی سطح ایستابی (مطالعه موردی: مزارع کشت و صنعت نیشکر دعبل خزاعی)

اعتبار موردنیاز PDF: ۱ | تعداد صفحات: ۹ | تعداد نمایش خلاصه: ۲۴ | نظرات: ۰
سال انتشار: ۱۳۹۶
کد COI مقاله: IDNC05_012
زبان مقاله: فارسی
حجم فایل: ۴۰۰.۴۵ کیلوبایت (فایل این مقاله در ۹ صفحه با فرمت PDF قابل دریافت می باشد)

راهنمای دانلود فایل کامل این مقاله

متن کامل این مقاله دارای ۹ صفحه در فرمت PDF قابل خریداری است. شما می توانید از طریق بخش روبرو فایل PDF این مقاله را با پرداخت اینترنتی ۳۰,۰۰۰ ریال بلافاصله دریافت فرمایید
قبل از اقدام به دریافت یا خرید مقاله، حتما به فرمت مقاله و تعداد صفحات مقاله دقت کامل را مبذول فرمایید.
علاوه بر خرید تک مقاله، می توانید با عضویت در سیویلیکا مقالات را به صورت اعتباری دریافت و ۲۰ تا ۳۰ درصد کمتر برای دریافت مقالات بپردازید. اعضای سیویلیکا می توانند صفحات تخصصی شخصی روی این مجموعه ایجاد نمایند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود فایل PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۹ صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

مشخصات نویسندگان مقاله مقایسه عملکرد دو مدل DRAINMOD و شبکه عصبی مصنوعی در پیش بینی سطح ایستابی (مطالعه موردی: مزارع کشت و صنعت نیشکر دعبل خزاعی)

  عاطفه صیادی شهرکی - دانشجوی دکترای آبیاری و زهکشی دانشگاه شهید چمران اهواز
    عبدعلی ناصری - استاد گروه آبیاری و زهکشی دانشگاه شهید چمران اهواز
    امیر سلطانی محمدی - استاد گروه آبیاری و زهکشی دانشگاه شهید چمران اهواز

چکیده مقاله:

آزمایش های مزرعه ای به منظور شناخت شرایط موجود سامانه های زهکشی مفید هستند، اما محدودیت های قابل توجهی نیز دارند. از جمله اینکه، این آزمایشها را نمیتوان برای پیش بینی استفاده کرد. کاربرد مدلهای شبیه سازی این محدودیتها را تا حدود زیادی برطرف میکند. اما قبل از کاربرد چنین مدلهایی، درستی نتایج بدست آمده از آنها باید با نتایج آزمایش های مزرعه ای مقایسه گردد. در این پژوهش از مدل شبکه عصبی مصنوعی (ANN) و مدل DRAINMOD برای پیشبینی سطح ایستابی استفاده شد. بدین منظور مزرعه R9-11 از مزارع نیشکر دعبل خزاعی انتخاب و پارامترهای ورودی مدلها شامل نوسانات سطح ایستابی، حجم آب آبیاری، دبی زهکش ها، داده های اقلیمی منطقه، خصوصیات فیزیکی خاک و پارامترهای سیستم زهکشی از تاریخ 92/8/2 تا 93/7/2 برداشت گردید. نتایج RMSEنشانداد که بالاترین دقت در پیش بینی سطح ایستابی مربوط به مدل شبکه عصبی مصنوعی میباشد. به طوریکه مقدار بین مقادیر اندازه گیری شده و شبیه سازی شده با مدل شبکه عصبی مصنوعی و مدل DRAINMOD به ترتیب برابر 0/02 و 16/8 بدست آمد. همچنین این پژوهش نشان داد دقت داده های ورودی مورد نیاز برای انجام شبیه سازی به وسیله مدلها، نقش بسیار مهمی در نتایج حاصل از مدل ها دارند. بنابراین دقت در اندازه گیری پارامترهای ورودی مورد نیاز، دقت در شبیه سازی را به همراه خواهد داشت.

کلیدواژه‌ها:

پیزومتر، خوزستان، زهکشی، شبیه سازی

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-IDNC05-IDNC05_012.html
کد COI مقاله: IDNC05_012

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:
صیادی شهرکی, عاطفه؛ عبدعلی ناصری و امیر سلطانی محمدی، ۱۳۹۶، مقایسه عملکرد دو مدل DRAINMOD و شبکه عصبی مصنوعی در پیش بینی سطح ایستابی (مطالعه موردی: مزارع کشت و صنعت نیشکر دعبل خزاعی)، پنجمین همایش ملی مدیریت شبکه های آبیاری و زهکشی و سومین کنگره ملی آبیاری و زهکشی ایران، اهواز، دانشگاه شهید چمران اهواز، https://www.civilica.com/Paper-IDNC05-IDNC05_012.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: (صیادی شهرکی, عاطفه؛ عبدعلی ناصری و امیر سلطانی محمدی، ۱۳۹۶)
برای بار دوم به بعد: (صیادی شهرکی؛ ناصری و سلطانی محمدی، ۱۳۹۶)
برای آشنایی کامل با نحوه مرجع نویسی لطفا بخش راهنمای سیویلیکا (مرجع دهی) را ملاحظه نمایید.

علم سنجی و رتبه بندی مقاله

مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
نوع مرکز: دانشگاه دولتی
تعداد مقالات: ۱۱۳۰۸
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 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.