تحویل اکسپرس

تحویل فوری و سالم محصول

پرداخت مطمئن

پرداخت از طریق درگاه معتبر

ضمانت کیفیت

تضمین بالاترین کیفیت محصولات

پشتیبانی

پشتیبانی تلفنی

دانلود تحقیق کاربرد مدل شبکه عصبي مصنوعي در مدیریت منابع آب زیرمینی



شناسه محصول: 629232
موجود

دانلود تحقیق کاربرد مدل شبکه عصبي مصنوعي در مدیریت منابع آب زیرمینی

برای مشاهده ضمانت خرید روی آن کلیک نمایید

قیمت : 6700تومان

برچسب ها :

دانلود تحقیق کاربرد مدل شبکه عصبي مصنوعي در مدیریت منابع آب زیرمینی

دانلود تحقیق کاربرد مدل شبکه عصبي مصنوعي در مدیریت منابع آب زیرمینی

دانلود تحقیق  کاربرد مدل شبکه عصبي مصنوعي  در مدیریت منابع آب زیرمینی

استفاده از شبکه عصبی در پيش بيني متغيرهاي منابع آبي از جمله آب زيرزميني بطور گسترده رو به افزايش است. اين تحقيق از طريق شبکه عصبي مصنوعي چندین هدف را دنبال می کند، که شامل تعيين پارامترهاي موثر بر نوسانات سطح آب زيرزميني در دشت بيرجند و همچنین بررسي تاثير مکاني و زماني پارامترهاي سطح آب از طريق دادههاي زماني 10 ساله و سپس مدلسازی نوسانات سطح آب زيرزميني در پيزومترهای منتخب در دشت مورد مطالعه مي باشدکه بهترين مدلسازی نوسانات سطح آب با مدل شبکه عصبي FNN-LM از طريق انتخاب پارامترهاي مناسب و با قابل قبول ترين تاخير زماني بدست آمد. و در انتها سپس با تغییر درصدی شش ماه آخر داده های ورودی در مدل اقدام به ایجاد چهار شرایط فرضی گردید و با توجه به مدلهای شبکه عصبی بدست آمده به پیش بینی نوسانات سطح آب زیرزمینی در این شرایط فرضی پرداخته شد.

کلید واژه: شبکه های عصبی مصنوعی، نوسانات سطح آب زیرزمینی، الگوریتم لونبرگ-مارکوت، دشت بیرجند

يکي از فاکتورهاي مهم در مديريت صحيح هر زمينه، داشتن يک ديد و نگرش مناسب از اتفاقات آينده در آن زمينه مي باشد. در مديريت منابع آب اين امر مستثني نبوده و آگاهي از وضعيت منابع آب در يك منطقه نقش تعيين كننده اي در برنامه ريزي هاي آبي، كشاورزي و … آن دارد. خصوصا اگر بتوان با استفاده از تحليل هاي آماري، مدلهاي رياضي و … شرايط منابع آب در آينده را نيز پيش بيني نمود.

با توجه به کاهش نزولات جوي و خشکسالي دهه اخير و در نتيجه كمبود آب در پهنه وسيعي از كشور، مديريت آب‌هاي زيرزميني از اهميت و حساسيت بسيار زيادي برخوردار است. براي اعمال يک مديريت صحيح نياز به شناسايي و به مدل در‌آوردن و پيش بيني نوسانات سطح آب سفره هاي زير زميني در دشتها جهت برنامه‌ريزي‌هاي بلندمدت و استفاده بيشتر و بهتر از پتانسيل‌هاي آبي  دشتها عميقاً احساس مي‌شود. فاكتورها و عوامل مختلفي بر روي سطح آب زيرزميني تاثير گذار است كه از جمله آنها، عوامل آب و هوايي(حرارت، ميزان بارندگي، تبخير)، ميزان تخليه و تغذيه از سفره و... مي باشند، که تحليل اين پديده را مشكل مي سازند. مدلهاي فيزيكي-مفهومي، رگرسيوني و سري هاي زماني از معمولترين روشهاي تحليل نوسانات سطح آب زيرزميني (هيدروگراف) مي باشند.

اساس اكثر روش‌هاي پيش بيني بر پايه نوعي شبيه سازي از وضعيت موجود سيستم مي‌باشد كه اصطلاحاً به اين موضوع مدل‌سازي (Modeling) گفته مي‌شود. مدل‌هاي احتمالاتي يا مدل هاي آماري از رابطه مابين سري‌هاي زماني و يك يا چند سري زماني ديگر بهره مي‌جويند.

امروزه به جهت پيش بيني و يافتن و درک روابط بين پارامترهاي موثر در نوسانات سطح آب زيرزميني (زماني و مکاني)، از تکنيک هاي پيشرفته  استفاده مي گردد. يکي از اين روشها استفاده از شبکه عصبي مصنوعي مي باشد، که اين شبکه ها الهام گرفته از مغز انسان و چگونگي پردازش اطلاعات ؛ آموزش و يادگيري مي باشد.

مدل شبکه عصبي مصنوعي در واقع يک مدل جعبه سياه (Black Box) مي باشد که فقط از طريق آموزش و يادگيري به ارتباط پيچيده و پنهان پديده ها بخصوص پديده هاي غير خطي که بوسيله مدل هاي خطي و روابط آماري قابل درک و استنباط نيست، دست پيدا مي کند.

مدلهاي پيش بيني که از طريق شبکه هاي عصبي مصنوعي بدست مي آيد به نسبت مدلهاي خطي نظير ARIMA و يا حتي مدلهاي غير خطي ديگر مانند فازي مدلهاي بسيار کارا بوده و نتايج بسيار خوبي را نشان مي دهند.

در اين تحقيق نيز با توجه به اهميت موضوع مديريت و بهره برداري بهينه از منابع آبهاي زيرزميني ، از طريق سري هاي زماني به مدلسازي و شبيه سازي و در نهايت پيش بيني نوسانات سطح آب زيرزميني با استفاده از روش شبکه عصبي مصنوعي  در منطقه مورد مطالعه پرداخته شده است. منطقه مورد مطالعه دشت بيرجند مي باشد که منطقه اي خشک وبياباني بوده و استفاده از آب زيرزميني در آن از اهميت بالايي برخوردار است.

در طی دهه اخير استفاده از شبکه هاي عصبي مصنوعي بطور روز افزوني در حيطه منابع آبي بويژه آبهاي زيرزميني در سراسر دنيا انجام شده است. با توجه به اينکه مدلهاي شبکه عصبي نتايج خوبي ارائه مي کنند استفاده از این مدلها در زمينه منابع آبي از مقبوليت خوبي برخوردار هستند.  دراين فصل به بيان مختصري از کارها و تحقيقات قبلي در زمينه شبکه عصبی مصنوعی پرداخته شده است.

1-2- مروري بر تحقيقات انجام يافته

اخيراً از شبکه هاي عصبي مصنوعي که يکي از شاخه هاي هوش مصنوعي محسوب مي شود، به عنوان روشی کارا در حل مسائل به روش معکوس به طور روز افزوني استفاده مي شود.

از قرن نوزدهم به طور همزمان اما جداگانه از سويي نروفيزيولوژيستها سعي کردند سيستم يادگيري و تجزيه و تحليل مغز را کشف کنند و از سوي ديگر رياضيدانان تلاش کردند تا  مدل رياضي بسازند که قابليت فراگيري و تجزيه و تحليل عمومي مسائل را دارا باشد. اولين کوششها در شبيه سازي با استفاده از يک مدل منطقي توسط  McCulloch and Pitts(1984)  انجام شد که  امروز بلوک اصلي سازنده‌ي اکثر شبکه هاي عصبي مصنوعي است . اين مدل فرضيه‌هايي در مورد عملکرد نرونها ارائه مي کند. عملکرد اين مدل مبتني بر جمع وروديها و ايجاد خروجي است . چنانچه حاصل جمع ورودي‌ها از مقدار آستانه بيشتر باشد اصطلاحا نرون برانگيخته مي‌شود. نتيجه اين مدل اجراي توابع ساده منطقي مثل OR وAND بود.

 نه تنها نروفيزيولوژيستها بلکه روانشناسان و مهندسان نيز در پيشرفت شبيه سازي شبکه‌هاي عصبي تأثير داشتند. اولین بار توسطRosenblatt (1985)  شبکه پرسپترون معرفي شد. اين شبکه نظير واحدهاي مدل شده‌ي قبلي بود. اين سيستم مي‌تواند ياد بگيرد که به ورودي داده شده خروجي تصادفي متناظر را اعمال کند.

سيستم ديگری از مدل خطي تطبيقي نرون توسط Widrow and Hoff(1960)  به نام Adalalin  ایجاد شد که اولين شبکه هاي عصبي بکار گرفته شده در مسائل واقعي بود.  Adalaline يک دستگاه الکترونيکي بود که از اجزاي ساده‌اي تشکيل شده بود روشي که براي آموزش استفاده مي‌شد با پرسپترون فرق داشت.

کتابي توسط Minisky and Papert (1969) نوشته شد که محدوديتهاي سيستمهاي تک لايه و چند لايه پرسپترون را تشريح میکرد. نتيجه اين کتاب پيشداوري و قطع سرمايه گذاري براي تحقيقات  در زمينه شبيه سازي شبکه‌هاي عصبي بود. آنها با طرح اينکه طرح پرسپترون قادر به حل هيچ مساله مهمی نمي‌باشد تحقيقات در اين زمينه را براي مدت چندين سال متوقف کردند.

با وجود اينکه اشتياق عمومي و سرمايه گذاري هاي موجود به حداقل خود رسيده بود برخي محققان تحقيقات خود را براي ساخت ماشينهايي که توانايي حل مسائلي از قبيل تشخيص الگو را داشته باشند ادامه دادند. از جمله 1980))Grossberg که شبکه‌اي تحت عنوان Avalanch را براي تشخيص صحبت پيوسته و کنترل دست ربات مطرح کرد. همچنين او شبکه هاي ART(Adaptive resonance theory)  را بنا نهاد که با  مدلهاي طبيعي تفاوت داشت. Anderson و Kohonen نيز از اشخاصي بود که تکنيکهايي براي يادگيري ايجاد کردند. Werbos(1974) شيوه آموزش پس انتشار خطا (Back Propagation) را ايجاد کرد که يک شبکه پرسپترون چند لايه البته با قوانين نيرومندتر آموزشي بود.

پيشرفتهايي که در 1970 تا 1980 بدست آمد براي جلب توجه به شبکه‌هاي عصبي بسيار مهم بود. برخي فاکتورها نيز در تشديد اين مسئله دخالت داشتند از جمله کتابها و کنفرانسهاي وسيعي که براي مردم در رشته‌هاي متنوع ارائه شد. امروز نيز تحولات زيادي در تکنولوژي ANN ايجاد شده است.

شبکه های عصبی مصنوعی  براي اولين بار درآبهاي زيرزميني توسط Aziz & Wong(1992)   جهت تعيين پارامترهاي آبخوان استفاده شده است. دراين مطالعه که بر اساس توانائي شبکه هاي عصبي مصنوعي در شناسائي روندها و الگوها صورت گرفت، داده هاي افت انداز ه گيري شده به عنوان ورودي به منظور آموزش شبکه براي به دست آوردن قابليت انتقال، ضريب ذخيره و نسبت فاصله چاه مشاهد ه اي از چاه پمپاژ به ضخامت آبخوان به کار برده شد. آنها  جهت آموزش مدل خود كه  شامل الگوريتم  (Back-Propagation) BP بود ازآموزش با ناظر استفاده كردند . آنها دو آبخوان تحت فشار و نشتي را مورد بررسي قرار دادند . پارامترهاي پيش بيني شده توسط اين شبکه عصبي مصنوعي سه لايه با نتايج بدست آمده از روشهاي قديمي و سنتي مثل تايس و ژاکوب قابل مقايسه بود و نتايج قابل قبولي را حاصل نمود.

يک شبکه عصبي مصنوعي براي مطالعات بهينه سازي در بهبود کيفيت آب زيرزميني توسط Rogers (1992)  ارائه داد. هدف اين مطالعه پائين نگه داشتن ميزان غلظت آلوده کننده ها در برخي چاهها بوده و بدين منظور از يک شبکه چند لايه پيشرو با الگوريتم BP  استفاده کرد . ورودي ها، نسبت چاههاي در حال پمپاژ به تعداد کل چاهها بودند ، بطوريکه چاههاي در حال پمپاژ را يک و چاههاي خاموش را صفر ناميدند . براي بدست آوردن نتايج مناسب،  اين روش با روش الگوريتم ژنتيک(GA)  ترکيب شد . نتايج بدست آمده از اين روش بسيار قابل قبول بود به طوري که اين روش براي مناطق ديگر به کار برده شد (Rogers et al., 1993; Rogers .& Dowla, 1994 ; Rogers et al., 1995) بر اساس اين سه تحقيق که بوسيله ترکيبي جديدي از  GA  و ANNs صورت گرفت، اين روش ترکيبي بعنوان روشي کارا براي مطالعات بعدي معرفي گرديد.

 از شبکه عصبی مصنوعی ((ANN همچنین براي تخمين هدايت هيدروليکي اشباع و پارامتر توزيع اندازه دانه ها استفاده شده است (Morshed & Kaluarachchi ,1998). آنها در اين تحقيق به اين نتيجه رسيدند که استفاده از الگوريتم ژنتيک به عنوان يک کنترل کننده ANN نتايج قابل قبول تري را حاصل مي کند.

اولین بار يک مفهوم جديدي به عنوان کريجينگ عصبي را براي بدست آوردن هدايت هيدروليکي در يک سفره توسط Rizzo and Dovgherty(1994)   معرفي شد. به اين صورت که آنها از يک شبکه عصبی سه لايه کوهنن (Kohonen) با ورودي هائي مربو ط به مختصات نقاط و خروجي هائي به عنوان دسته هاي مختلفي از هدايت هيدروليکي در منطقه مطالعاتي استفاده کردند. در اين شبکه از الگوريتم بدون ناظر کوهنن استفاده شد. خروجي هاي شبکه توسط کريجينگ مدل شدند و به اين ترتيب توانستند در کل منطقه هدايت هيدروليکي را درون يابي کنند.

 از يک شبکه عصبي سه لايه براي پيش بيني زمان عبوري در يک لايه تثبيت شده سيستم جذب استفاده شد (Basheer & Najjar ,1995).  داده هاي صحت سنجي در آموزش توسط مدل HSDM ساخته شده بودند.  آنها با استفاده از آناليز سيتماتيک توانستند سه ورودي را که بسيار در تعيين زمان عبوري مؤثر هستند ، تعيين کنند.  اين عوامل شامل غلظت ورودي، وزن مخصوص مواد جذب کننده و قطرذرات لايه نفوذپذير بودند. آنها بوسيله آزمون و خطا 10 نود براي لايه مياني  شبکه انتخاب کردند وهمچنين نتيجه گرفتند که پيش بيني قابل اعتماد، بستگي به دامنه ورودي ها دارد.

جهت تعیین کیفیت و شوری آب رودخانه نیز از شبکه عصبی مصنوعی استفاده شده است.Maier & Dandy (1996)  توسط شبکه عصبي مصنوعي با 141 ورودي ) مقادير شوري روزانه سطوح آب و جريانها در ايستگاه بالادست و زمانهاي قبلي ( توانستند شوري رودخانه اي را در 14 روز آينده پيش بيني نمايند. اين شبکه شامل دو لايه مخفي بود که با الگوريتم BP آموزش داده شده بود. در اين مطالعه براي تعيين ورودي هاي لازم و غلبه براي آموزش بيش از حد  به ترتيب آناليز حساسيت و صحت سنجي انجام گرفت. متوسط درصد خطا براي پيش بيني 14 روزه داده هائي در باز ه زماني چها ساله 3.3 تا 7 درصد متغير بود. آنها نتيجه گرفتند که تأثير ساختار و نوع شبکه و سرعت آموزش نسبتاً کم است.

جمعی از محققین  براي پيش بيني آبشويي حشره کشها در خاک دارای پوشش گياهی از شبکه هاي عصبي مصنوعي استفاده کردند . (Starret et al,1996) بعد از بررسي هاي گسترده، حلاليت حشره کشها، سرعت کاربرد آنها، فاصله زماني استفاده از آنها و نوع آبياري به عنوان ورودي شبکه انتخاب شده و خروجي شبکه عبارت از درصد حشره کشهاي آبشويي شده در عمق  50 سانتي متر از خاک بود. آنها از 75 و25  درصد داده ها به ترتيب براي آموزش و صحت سنجي شبکه اي با سه نود برای لایه مخفی استفاده کردند.

  از شبکه هاي عصبي مصنوعي براي توضيح موقعيت جريان آب شور در محيط متخلخل و کانالي توسط Sandhu & finch (1996)  در درون و در طول مرز دلتاي Sacramento San Joaquin استفاده کردند. آنها نتيجه گرفتند که شبکه هاي عصبي مصنوعي مي تواند کارائي بالائي در اين گونه مطالعات داشته باشد. آنها ازداده هاي قديمي ايستگاههاي اندازه گيري جريان ورودي به دلتا به عنوان ورودي استفاده کردند و غلظت مواد جامد حل شده در بازه زماني 20 ساله ر ا به عنوان خروجي مدل در نظر گرفتند و از اين شبکه براي پيش بيني شوري در قسمتهاي مختلف دلتا استفاده کرده و نتايج قابل قبولي بدست آوردند.

توسط  Hutton et al.(1996)از شبکه عصبي مصنوعي براي پيش بيني تشکيل و انتقال تر ي هالومتان (THM) در آبهاي دلتائي استفاده شد و شبکه عصبي مصنوعي مورد استفاده براي پيش بيني (THM) بوسيله ورودي هائي مثل کلريد برم، زمان واکنش، دما و اسيديته آموزش داده شد . آنها بدين منظورشبکه اي با 2 لايه مياني، اولي با پنج نود و دومي با سه نود بکار بردند و نتيجه گرفتند که شبکه هاي عصبي مصنوعي توانائي پيش بيني گونه هاي متنوع THM و غلظت آن را در آب دلتائي دارند.

  از طریق شبکه هاي عصبي مصنوعي براي پيش بيني و ارزيابي سطح ايستابي در زهکشي زير سطحي مزارع نیز استفاده شده است (Yang et al,1997). بارش روزانه، پتانسيل تبخير و سطح ايستابي قبلي به عنوان ورودي مدل در نظر گرفته شدند و خروجي، سطح ايستابي در زمان آينده بود. آنها نشان دادند که شبکه هاي عصبي مي توانند توانائي بالائي در پيش بيني سطح ايستابي داشته باشند. کاربردهاي ديگر ازشبکه هاي عصبي در آبياري و زهکشي توسط يانگ و همکاران مورد بررسي قرار گرفت.

با استفاده از شبکه هاي عصبي پيشرو  جهت مدلسازي متغيرها در پيش بيني منابع آب توسط Coulibaly et al.(1999) استفاده شد. مقايسه روشهاي مختلف مدلسازي توسط ANNs در مقابل مدلهاي مختلف با جزئيات کامل بوسيله بسياري از مقالات بيان شده است. اين مدلهاي کارا در مسائل هيدرولوژيکي توسطKarunanithi et al.(1994) ،     Coulibaly et al.(2001) و ... ارائه شده است.

در سال 2000 با توجه به گسترش روزافزون استفاده از شبکه هاي عصبي مصنوعي انجمن مهندسين  آمريکا (ACSE) مباني و کاربردهاي اين مدلها در هيدرولوژي را تحت 2 مقاله ارائه دادند. در اين مقالات بسياري از مفاهيم اساسي اين مدلها و نيز روشها ئي که در آينده مي توان از اين مدلها و توانائي هاي مختلف آنها را که تا آن زمان مورد مطالعه قرار نگرفته بودند، ارائه کردند که از آن جمله مي توان به آشکار ساختن فيزيک و عوامل مؤثر بر بسياري از مسائل هيدرولوژيکي، شناسائي پارامترها و بررسي بسياري از معادلات حاکم که حل عددي آنها با مشکلات فراواني روبه رو است، تجزيه و تحليل سري هاي زماني مختلف، و تخمين پديده هاي مختلف هيدرولوژيکي اشاره نمود. مطالعات بعدي که از اين مدل بهره جسته اند، توسعه زيادي پيدا کردند.

 جهت ازریابی توانائي هاي چندين ساختار و الگوريتم اجراي شبکه هاي عصبي مصنوعي به همت Coulibaly et al. (2001)  براي تغييرات سطح ايستابي در آبهاي زيرزميني مورد بررسي قرار داده شد. اين مطالعه توانائي بالاي شبکه هاي عصبي مصنوعي در پيش بيني سطح ايستابي ماهانه را در آبخوانهاي آبرفتي نشان داد . در اين مطالعه آنها بهترين شبکه را براي پيش بيني سطح ايستابي از بين ساختارهاي مورد بررسي از شبکه هاي  عصبي مصنوعي را RNN-BP معرفي نمودند و به اين نتيجه رسيدند که اين ساختار براي ارزيابي سطح ايستابي با عمق زياد بسيار مناسب هست و براي موارد زير توانائي بالائي دارند :1-  داده هاي کافي براي مدلسازي سفره در اختيار نباشد ، 2- داده هاي موجود از اعتبار کمي برخوردار باشد ، و  3- نيازي به مدلسازي درون سيستم آبخوان وجود نداشته باشد.

فهرست مطالب:

مقدمه................................................................................................................................................................... 1

فصل اول: مروری بر پیشینه پژوهش....................................................................................................................... 3

1-1- مقدمه.......................................................................................................................................................... 3

1-2- مروري بر تحقيقات انجام يافته...................................................................................................................... 3

فصل دوم: روش پژوهش، ابزار و مواد.................................................................................................................... 11

2-1-مقدمه........................................................................................................................................................ 11

2-2-  معرفي شبکه عصبي مصنوعي................................................................................................................... 11

2-2-1- مزيت هاي شبکه هاي عصبي:........................................................................................................... 11

2-2-2- کاربردهاي شبکه عصبي:.................................................................................................................. 12

2-2-3- اجزاي کلي شبکه عصبي مصنوعي.................................................................................................... 13

2-2-4- ساختار هاي شبکه عصبي مصنوعي.................................................................................................. 15

2-2-4-1- شبکه هاي پيشروFeedforward)........................................................................................ 15)

2-2-4-2- شبکه هاي برگشتيBackforward) .................................................................................... 15)

 2-2-4-3- شبکه های شعاعیRadial Basis Function Networks )................................................. 16)

2-2-5- معرفي انواع شبکه عصبي ساده: ...................................................................................................... 16

2-2-5-1- پرسپترونPerceptron)....................................................................................................... 16)

2-2-5-2- شبکه همينگHaming)...................................................................................................... 17)

2-2-5-3- شبکه هاپفيلدHopfield)..................................................................................................... 17)

2-2-6- الگوريتمهاي مختلف آموزش............................................................................................................. 17

2-2-6-1-الگوريتم لونبرگ-مارکورت (LM(Levenberg-Marquardt...................................................

2-2-6-2-گراديان نزولي انتشار خطا به عقب با ممنتم............................................................................... 18

2-2-6-3-تنظيم بايزين(BR (Bayesian Regulazation..................................................................... 

2-2-7- تقسيم بندي شبکه ها از نظر نوع توابع عملگر.................................................................................... 18

2-2-8- تقسيم بندي شبکه ها از نظر نوع آموزش........................................................................................... 19

2-2-8-1- آموزش نظارت شدهSupervised.......................................................................................... 

2-2-8-2- آموزش غيرنظارت شدهUnsupervised.......................................................... 

2-2-9- آموزش شبکه هاي عصبي مصنوعي.................................................................................................. 20

2-2-10- صحت سنجي................................................................................................................................. 21

2-2-11- معيار ارزيابي کارايي و خطاي مدل.................................................................................................. 22

2-3- ويژگيهای منطقه مورد مطالعه..................................................................................................................... 22

2-3-1- موقعيت جغرافيايي محدوده مورد مطالعه........................................................................................... 22

2-3-2- زمين شناسي منطقه مورد مطالعه:.................................................................................................... 24

2-3-2-1- تشكيلات كرتاسه.................................................................................................................... 26

2-3-2-2- رسوبات نوع فليش.................................................................................................................. 27

2-3-2-3- تشكيلات پالئوژن................................................................................................................... 27

2-3-2-4- تشكيلات نئوژن...................................................................................................................... 27

2-3-2-5- رسوبات كواترنر...................................................................................................................... 28

2-3-3- زمين‏شناسي ساختماني منطقه‏ مورد مطالعه...................................................................................... 28

2-3-4- هواشناسي....................................................................................................................................... 29

2-3-4-1- بارندگي.................................................................................................................................. 29

2-3-4-2- درجه حرارت :........................................................................................................................ 32

2-3-4-3- تبخير و تعرق......................................................................................................................... 33

2-3-4-4-  رطوبت نسبي:........................................................................................................................ 34

2-3-4-5- طبقه بندي اقليمي منطقه........................................................................................................ 35

2-3-5-  بررسي هاي اكتشافي دشت بيرجند.................................................................................................. 37

2-3-5-1-  مطالعات ژئوفيزيك................................................................................................................ 37

2-3-5-2- نقشه هم ضخامت آبرفت.......................................................................................................... 38

2-3-5-3-  نقشه مقاومت عرضي.............................................................................................................. 39

2-3-5-4-  نقشه هم ارتفاع سنگ كف دشت بيرجند................................................................................ 39

2-3-6-  هيدروژئولوژي دشت بيرجند............................................................................................................ 41

2-3-6- 1- بررسي ضرايب هيدروديناميكي:............................................................................................. 41

2-3-6-2- رفتار سنجي چاههاي مشاهده اي............................................................................................ 43

2-3-6-3- هیدروگراف واحد دشت.......................................................................................................... 53

2-3-7-  نقشه هاي هيدروژئولوژي................................................................................................................. 55

2-3-7-1- نقشه هم پتانسيل دشت بيرجند.............................................................................................. 55

2-3-7-2- نقشه هم عمق دشت بيرجند.................................................................................................... 57

2-3-7-3-  نقشه هم افت دشت بيرجند.................................................................................................... 58

2-3-8-  بهره برداري از منابع آب زيرزميني دشت بيرجند.............................................................................. 59

2-3-8-1-  چاه....................................................................................................................................... 59

2-3-8-2-  چشمه................................................................................................................................... 61

2-3-8-3-  قنات..................................................................................................................................... 62

2-3-9-  محاسبه بيلان دراز مدت آبخوان دشت بيرجند................................................................................. 62

2-3-9-1- مدت يا دوره بيلان.................................................................................................................. 63

2-3-9-2-  مجموعه ورودي آب زيرزميني................................................................................................ 63

2-3-9-3-  مجموعه خروجي آب زيرزميني............................................................................................... 65

2-3-9-4-  تغييرات حجم مخزن در دوره بيلان(∆X)................................................................................ 66

2-3-10- محاسبه بيلان كوتاه مدت آبخوان آبرفتي دشت............................................................................... 67

2-3-10-1- مدت يا دوره بيلان:............................................................................................................... 67

2-3-10-2-  مجموعه ورودي آب زيرزميني:............................................................................................. 67

2-3-10-3-  مجموعه خروجي آب زيرزميني............................................................................................ 69

2-3-10-4- تغييرات حجم مخزن در دوره بيلان(∆X)...............................................................................

فصل سوم: بحث، تجزیه و تحلیل.......................................................................................................................... 71

3-1- مقدمه.................................................................................................................. 72

3-2- انجام آناليز حساسيت و تعيين ساختار شبكه عصبي و پارامترهاي موثر بر نوسانات سطح آب........................ 72

3-3- مدلسازي سطح آب زيرزميني در چاه مشاهده اي محمديه در منطقه مورد مطالعه......................................... 79

3-4- مدلسازي سطح آب زيرزميني در چاههاي مشاهده اي موجود در منطقه مورد مطالعه.................................... 83

3-5- پيش بيني سطح آب زيرزميني در چاههاي مشاهده اي موجود در منطقه مورد مطالعه................................... 91

3-6- پيش بيني سطح آب در مناطق فاقد چاه مشاهده اي در محدوده مورد مطالعه  و ترسيم منحني هم تراز......... 99

فصل چهارم: نتیجه گیری و پیشنهاد.................................................................................................................. 114

4-1- نتيجه گيري............................................................................................................................................ 114

4-2- پيشنهادها......................................................................................................................................... 116

منابع و ماخذ..................................................................................................................................................... 117

  1. Reference................................................. 118

 شامل 118 صفحه فایل word قابل ویرایش


خرید آنلاین


سایر محصولات

دانلود تحقيق در مورد هوش مصنوعي؛ تاریخچه، تعاریف و کاربردها- در قالب ورد(word)13صفحه


هوش مصنوعي، هوش صناعی یا هوش ماشینی (به انگلیسی: Artificial Intelligence) به هوشی که یک ماشین در شرایط مختلف از خود نشان می‌دهد، گفته می‌شود. به عبارت دیگر هوش مصنوعي به سیستم‌های

ادامه مطلب  
دانلود تحقيق کاربرد مدل شبکه عصبي مصنوعي در مديريت منابع آب زيرميني


استفاده از شبکه عصبي در پیش بینی متغیرهای منابع آبی از جمله آب زیرزمینی بطور گسترده رو به افزایش است. این تحقيق از طریق شبکه عصبي مصنوعي چندین هدف را دنبال می کند، که شامل تعیین پارامترهای موثر بر نوسانات سطح

ادامه مطلب  
تحقيق در مورد شبكه های عصبي مغز


فرمت فایل:WORD(قاببل ویرایش)تعدا34 صحفه     آیا تا به حال فكر كرده‌اید كه ما چگونه مطلبی را می‌آموزیم؟ چقدر و با چه سرعتی یاد می‌گیریم؟ مغز ما چگونه می‌تواند یك مسأله را حل كند؟ آیا تا به حال به نحوه&z

ادامه مطلب  
آشنایی با شبکه‌های عصبي و مصنوعي


آشنایی با شبکه‌های عصبي و مصنوعي86 صفحه قابل ویرایش قیمت فقط 8000 تومان   چکیده          امروزه شبکه‌های عصبي کاربردهای مختلف و دارای دامنه‌ی کاربرد وسیعی می‌باش

ادامه مطلب  
تحقيق جامع و کامل درباره شبکه های عصبي مصنوعي


فرمت فایل : word  (لینک دانلود پایین صفحه) تعداد صفحات 152 صفحه    چكیده شبكه های عصبي مصنوعي در بسیاری از موارد تحقيق و در تخصص های گوناگون به كار گرفته شده و به عنوان یك زمینه تحقيقاتی بسیار فعال حاصل همكار

ادامه مطلب  
مقاله كاربرد شبكه‌های عصبي مصنوعي در مهندسی رودخانه


این محصول در قالب ورد و قابل ویرایش در 32 صفحه می باشد. رسوبات انتقالی توسط رودخانه‌ها مشكلات زیادی خصوصاً جهت بهره‌برداری از سدها و سازه‌های آبی به وجود می‌آورند. در ده‌های اخیر تحقيقات بزرگی برای

ادامه مطلب  
تحقيق در مورد محاسبه فركانس غالب ورقها با استفاده از شبکه عصبي انتشار برگشتی Back Propagation (BP)


44 صفحه word|فونت tahoma سایز 14| قابل اجرا در آفیس 2007 و نسخه های جدیدتر|قابل ویرایش و آماده چاپبخشی از تحقيقفصـل دوم : شبكه های‌ عصبي مصنوعي   2-1

ادامه مطلب  
مقدمه ای بر شبكه های عصبي


مقالات  ریاضی  با فرمت           DOC           صفحات  981 مقدمه      در سالیان اخیر شاهد حركتی مستمر، از تحقيقات صرفاً تئور

ادامه مطلب  
دانلود پایان نامه رشته کامپیوتر شبکه های عصبي


متن کامل این پایان نامه را  با فرمت ورد word دانلود نمائید   عنوان تحقيق : شبکه های عصبي مقدمه الگوریتم ها در کامپیوتر ها اعمال مشخص و واضحی هستند که بصورت پی در پی و در جهت رسیدن به هدف خاصی انجام می شوند.حتی در

ادامه مطلب  
شبکه ی عصبي و چگونگی پیاده سازی آن در نرم افزار مطلب


شبکه ی عصبي و چگونگی پیاده سازی آن در نرم افزار مطلب129 صفحه فقط 13000 تومان   چکیده: شبکه­ی عصبي یک برنامه نرم افزار یا تراشه ی نیمه هادی است که بتواند همانند مغز انسان عمل نماید، به گونه ای که :الف: ب

ادامه مطلب  
logo-samandehi