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

مطالعه توانایی مدلهای مختلف شبکه عصبی مصنوعی برای ارزیابی سطح آب زیرزمینی در سازند سخت

اعتبار موردنیاز: ۱ | تعداد صفحات: ۱۲ | تعداد نمایش خلاصه: ۲۱۴۱ | نظرات: ۰
سرفصل ارائه مقاله: آب شناسی
سال انتشار: ۱۳۸۵
کد COI مقاله: SGSI10_017
زبان مقاله: فارسی
حجم فایل: ۵۲۳.۴۶ کلیوبایت (فایل این مقاله در ۱۲ 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. در پایگاه سیویلیکا عموما مقالات زیر ۵ صفحه فولتکست محسوب نمی شوند و برای خرید اینترنتی عرضه نمی شوند.
برای راهنمایی کاملتر راهنمای سایت را مطالعه کنید.

خرید و دانلود PDF مقاله

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این مقاله را که دارای ۱۲ صفحه است در اختیار داشته باشید.

قیمت این مقاله : ۳۰,۰۰۰ ریال

آدرس ایمیل خود را در زیر وارد نموده و کلید خرید با پرداخت اینترنتی را بزنید. آدرس ایمیل:

رفتن به مرحله بعد:

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد.

مشخصات نویسندگان مقاله مطالعه توانایی مدلهای مختلف شبکه عصبی مصنوعی برای ارزیابی سطح آب زیرزمینی در سازند سخت

  اصغر اصغری مقدم - دانشیار گروه زمین شناسی، دانشکده علوم طبیعی، دانشگاه تبریز
  عطاا... ندیری - دانشجوی کارشناسی ارشد هیدروژئولوژی، دانشگاه تبریز
  الهام فیجانی - دانشجوی کارشناسی ارشد هیدروژئولوژی، دانشگاه تبریز

چکیده مقاله:

مدلسازی آبهای زیرزمینی در سازندهای سخت، یکی از موارد بسیار پیچیده و مهم در مطالعات هیدروژئولوژیکی است. آبخوانهای تشکیل یافته در این سازندها در برابر آلودگی و کاهش ذخیره آبخوان (به ویژه در اثر برداشت بیش از حد) بسیار آسیب پذیر می باشند. هدف این مقاله ارزیابی و مقایسه توانایی مدلهای مختلف شبکه های عصبی مصنوعی ARTIFICIAL NEURAL NETWORKS (ANN) برای پیش بینی سطح ایستابی در مناطق کارستی می باشد. بدین منظور به علت عدم دسترسی به داده های کامل در داخل کشور، آبخوان آزاد و آهکی شمال فرانسه که توسط لالاهم و همکاران در سال ۲۰۰۴ به وسیله شبکهMLP و الگوریتم انتشار خطا به عقب (BP) مدل شده و از داده های نسبتاً کاملی بر خوردار است، به عنوان محدوده مطالعاتی مورد استفاده قرار گرفت. برای مدلسازی این آبخوان از داده های نزدیکترین ایستگاههای سینوپتیک، سطح ایستابی در پیزومترها و شرایط تکتونیکی، زمین شناسی و هیدروژئولوژیکی منطقه مورد مطالعه استفاده گردیده است. مدلسازی سطح ایستابی آبخوان آزاد مذکور در پیزومتر منتخب(شماره ۲۶ ) توسط شش نوع دیگر از مدلهای مختلف شبکه عصبی مصنوعی صورت گرفت. در این مقاله چهار موضوع کلی شامل: الف) تعیین عوامل موثر بر تغییرات سطح ایستابی در آبخوان های آهکی، ب) تعیین مقدار تاخیر زمانی عوامل موثر بر تغییرات سطح ایستابی ج) پیش بینی سطح ایستابی در
پیزومتر منتخب و د) انتخاب بهترین مدل، مورد بررسی قرار گرفته است. از میان مدلهای شبکه عصبی مصنوعی مورد بررسی، شبکه پیشرو(FNN) با الگوریتم LM به عنوان بهترین و منطقی ترین مدل با کمترین خطا انتخاب شد و توانایی بالایی برای مدلسازی آبخوانهای آهکی نشان داد.

کلیدواژه‌ها:

LM الگوریتم ،(FNN) سازند سخت، شبکه های عصبی مصنوعی، آبخوان آهکی، شبکه پیشرو

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-SGSI10-SGSI10_017.html
کد COI مقاله: SGSI10_017

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:
اصغری مقدم, اصغر؛ عطاا... ندیری و الهام فیجانی، ۱۳۸۵، مطالعه توانایی مدلهای مختلف شبکه عصبی مصنوعی برای ارزیابی سطح آب زیرزمینی در سازند سخت، دهمین همایش انجمن زمین شناسی ایران، تهران، انجمن زمین شناسی ایران، دانشگاه تربیت مدرس، https://www.civilica.com/Paper-SGSI10-SGSI10_017.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: (اصغری مقدم, اصغر؛ عطاا... ندیری و الهام فیجانی، ۱۳۸۵)
برای بار دوم به بعد: (اصغری مقدم؛ ندیری و فیجانی، ۱۳۸۵)
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 :

  • Anderson, D., McNeill1, G., 1992. Artificial neural networks technology. Kaman ...
  • Anctial, F., Perrin, C., Andreassian, V., 2004. Impact of the ...
  • ASCE Task Committee On Application of Artificial Neural Networks in ...
  • Beaudeau, P., Leboulanger, T., Lacroix, M., Hanneton, S., Wang, H.Q., ...
  • Bracq, P., Delay, F., 1997. Transmi ssivity and morphol ogical ...
  • Coulibaly, P., Anctil, F., Bobee, B., 2000. Daily reservoir inflow ...
  • Coulibaly, P., Anctil, F., Aravena, R., Bobee, B., 2001a. Artificial ...
  • Coulibaly, P., Anctil, F., Bobee, B., 2001b. Multivariate reservoir inflow ...
  • Coulibaly, P., Bobee, B., Anctil, F., 2001c. Improving extreme hydrologic ...
  • Crampon, N., Roux, J.C., Bracq, P., 1993. Hy drogeologie de ...
  • Daliakopou los, N. I., Coulibaly, P., Tsanis, I. K., 2004. ...
  • Degallier, R., 1975. interpretation des Variations naturelles du niveau des ...
  • Delattre, Ch., 1969. Les grands traits geologiques de 1 Artois. ...
  • French, M. N., Krajewski, W. F., and Cuykendal, R., R., ...
  • Govindaraju, R. S., Ramachandra Rao, A., 2000. Artificial neural networks ...
  • Haykin, S., 1994. Neural network: A comprehen sive foundation, MacMillan ...
  • Haykin, S., 1999. Neural networks, A comprehen sive foundation, second ...
  • Hornik, K., Stinchcombe, M., White, H., 1989. Multilayer feedward networks ...
  • Lallahem, S., Mania, J., 2002. A linear and non-linear rai ...
  • Lallahem, S., Mania, J., 2003a. Evaluation and forecasting of daily ...
  • Lallahem, S., Mania, J., 2003b. A non-linear rainfal 1-runoff model ...
  • Lallahem S., Mania, J., Hani, A., Najjar, Y., 2004. On ...
  • Maier, H. R., Dandy, G. C., 1998. Un derstanding behavior ...
  • Toth, E., Brath, A.., Montanari, A., 2000. Comparison of short-term ...
  • Vandycke, S., Bergerat, F., depuis, Ch., 1991. Meso -Cenozoic faulting ...
  • Zhang, G., Patuwo, B. E., Hu, M. Y., 1998. Forecasting ...
  • کدام مقالات به این منبع استناد نموده اند

    علم سنجی و رتبه بندی مقاله

    مشخصات مرکز تولید کننده این مقاله به صورت زیر است:
    نوع مرکز:
    تعداد مقالات: ۲۱۰۶۱
    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.