دسته : مدیریت
فرمت فایل : word
حجم فایل : 14871 KB
تعداد صفحات : 134
بازدیدها : 1127
برچسبها : مدیریت منابع آب آب زیرزمینی شبکه عصبی مصنوعی
مبلغ : 5000 تومان
خرید این فایلاستفاده از شبکه عصبی در پیش بینی متغیرهای منابع آبی از جمله آب زیرزمینی به طور گسترده رو به افزایش است. این تحقیق از طریق شبکه عصبی مصنوعی چندین هدف را دنبال می کند، که شامل تعیین پارامترهای موثر بر نوسانات سطح آب زیرزمینی در دشت بیرجند و همچنین بررسی تاثیر مکانی و زمانی پارامترهای سطح آب از طریق داده های زمانی 10 ساله و سپس مدلسازی نوسانات سطح آب زیرزمینی در پیزومترهای منتخب در دشت مورد مطالعه می باشد که بهترین مدلسازی نوسانات سطح آب با مدل شبکه عصبی FNN-LM از طریق انتخاب پارامترهای مناسب و با قابل قبول ترین تاخیر زمانی 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 به دست آمده به پیش بینی نوسانات سطح آب زیرزمینی در این شرایط فرضی پرداخته شد.
مقدمه: یکی از فاکتورهای مهم در مدیریت صحیح هر زمینه، داشتن یک دید و نگرش مناسب از اتفاقات آینده در آن زمینه می باشد. در مدیریت منابع آب این امر مستثنی نبوده و آگاهی از وضعیت منابع آب در یک منطقه نقش تعیین کننده ای در برنامه ریزی های آبی، کشاورزی و … آن دارد. خصوصا اگر بتوان با استفاده از تحلیل های آماری، مدلهای ریاضی و … شرایط منابع آب در آینده را نیز پیش بینی نمود.
با توجه به کاهش نزولات جوی و خشکسالی دهه اخیر و در نتیجه کمبود آب در پهنه وسیعی از کشور، مدیریت آب های زیرزمینی از اهمیت و حساسیت بسیار زیادی برخوردار است. برای اعمال یک مدیریت صحیح نیاز به شناسایی و به مدل در آوردن و پیش بینی نوسانات سطح آب سفره های زیر زمینی در دشتها جهت برنامه ریزی های بلند مدت و استفاده بیشتر و بهتر از پتانسیل های آبی دشتها عمیقا احساس می شود. فاکتورها و عوامل مختلفی بر روی سطح آب زیرزمینی تاثیر گذار است که از جمله آنها، عوامل آب و هوایی(حرارت، میزان بارندگی، تبخیر)، میزان تخلیه و تغذیه از سفره و... می باشند، که تحلیل این پدیده را مشکل می سازند. مدلهای فیزیکی-مفهومی، رگرسیونی و سری های زمانی از معمولترین روشهای تحلیل نوسانات سطح آب زیرزمینی (هیدروگراف) می باشند.
اساس اکثر روش های پیش بینی بر پایه نوعی شبیه سازی از وضعیت موجود سیستم می باشد که اصطلاحا به این موضوع مدل سازی (Modeling) گفته می شود. مدل های احتمالاتی یا مدل های آماری از رابطه مابین سری های زمانی و یک یا چند سری زمانی دیگر بهره می جویند.
امروزه به جهت پیش بینی و یافتن و درک روابط بین پارامترهای موثر در نوسانات سطح آب زیرزمینی (زمانی و مکانی)، از تکنیک های پیشرفته استفاده می گردد. یکی از این روشها استفاده از شبکه عصبی مصنوعی می باشد، که این شبکه ها الهام گرفته از مغز انسان و چگونگی پردازش اطلاعات؛ آموزش و یادگیری می باشد.
مدل شبکه عصبی مصنوعی در واقع یک مدل جعبه سیاه (Black Box) می باشد که فقط از طریق آموزش و یادگیری به ارتباط پیچیده و پنهان پدیده ها بخصوص پدیده های غیر خطی که بوسیله مدل های خطی و روابط آماری قابل درک و استنباط نیست، دست پیدا می کند.
مدلهای پیش بینی که از طریق شبکه های عصبی مصنوعی به دست می آید به نسبت مدلهای خطی نظیر ARIMA و یا حتی مدلهای غیر خطی دیگر مانند فازی مدلهای بسیار کارا بوده و نتایج بسیار خوبی را نشان می دهند.
در این تحقیق با توجه به اهمیت موضوع مدیریت و بهره برداری بهینه از منابع آبهای زیرزمینی از طریق سری های زمانی به مدلسازی و شبیه سازی و در نهایت پیش بینی نوسانات سطح آب زیرزمینی با استفاده از روش شبکه عصبی مصنوعی در منطقه مورد مطالعه پرداخته شده است. منطقه مورد مطالعه دشت بیرجند می باشد که منطقه ای خشک و بیابانی بوده و استفاده از آب زیرزمینی در آن از اهمیت بالایی برخوردار است.
شبکه عصبی مصنوعی یا ANN(Artificial Neural Network) سیستمی نوین جهت تجزیه و تحلیل داده هاست. ANN که با الهام از طرز کار مغز بشر ساخته شده است قادر است به سادگی ارتباطات پنهان میان داده ها را حتی داده هایی که دارای ارتباط غیرخطی، توزیعی، موازی، غیررقومی (آنالوگ) و غیر الگوریتمی هستند کشف کند. به عبارت دیگر ANN قابلیت فراگیری و طراحی خود را دارا می باشد. ANN درست مثل انسانها با استفاده از مثالها آموزش می بیند، همانطور که یک بچه با دیدن انواع مختلف از یک حیوان قادر به تشخیص آن می باشد. شبکه های عصبی در اواسط دهه 80 میلادی، درپی پیشرفتهای چشمگیر تکنولوژی، دوباره مطرح شدند. شبکه عصبی بعنوان نسل ششم محاسبه شناخته شد و بطور گسترده در بسیاری از رشته های علمی مورد استفاده قرار گرفت. ...
فهرست مطالب پایان نامه
مقدمه
فصل اول: مروری بر پیشینه پژوهش
مقدمه
مروری بر تحقیقات انجام یافته
فصل دوم: روش پژوهش، ابزار و مواد
مقدمه
معرفی شبکه عصبی مصنوعی
مزیت های شبکه های عصبی:
کاربردهای شبکه عصبی:
اجزای کلی شبکه عصبی مصنوعی
ساختار های شبکه عصبی مصنوعی
شبکه های پیشرو(Feedforward)
شبکه های برگشتی(Backforward)
شبکه های شعاعی(Radial Basis Function Networks )
معرفی انواع شبکه عصبی ساده:
پرسپترون(Perceptron)
شبکه همینگ(Haming)
شبکه هاپفیلد(Hopfield)
الگوریتمهای مختلف آموزش
الگوریتم لونبرگمارکورت (LM) LevenbergMarquardt
گرادیان نزولی انتشار خطا به عقب با ممنتم
تنظیم بایزین (BR) Bayesian Regulazation
تقسیم بندی شبکه ها از نظر نوع توابع عملگر
تقسیم بندی شبکه ها از نظر نوع آموزش
آموزش نظارت شده(Supervised)
آموزش غیرنظارت شده(Unsupervised)
آموزش شبکه های عصبی مصنوعی
صحت سنجی
معیار ارزیابی کارایی و خطای مدل
ویژگیهای منطقه مورد مطالعه
موقعیت جغرافیایی محدوده مورد مطالعه
زمین شناسی منطقه مورد مطالعه:
تشکیلات کرتاسه
رسوبات نوع فلیش
تشکیلات پالئوژن
تشکیلات نئوژن
رسوبات کواترنر
زمین شناسی ساختمانی منطقهمورد مطالعه
هواشناسی
بارندگی
درجه حرارت :
تبخیر و تعرق
رطوبت نسبی:
طبقه بندی اقلیمی منطقه
بررسی های اکتشافی دشت بیرجند
مطالعات ژئوفیزیک
نقشه هم ضخامت آبرفت
نقشه مقاومت عرضی
نقشه هم ارتفاع سنگ کف دشت بیرجند
هیدروژئولوژی دشت بیرجند
بررسی ضرایب هیدرودینامیکی:
رفتار سنجی چاههای مشاهده ای
هیدروگراف واحد دشت
نقشه های هیدروژئولوژی
نقشه هم پتانسیل دشت بیرجند
نقشه هم عمق دشت بیرجند
نقشه هم افت دشت بیرجند
بهره برداری از منابع آب زیرزمینی دشت بیرجند
چاه
چشمه
قنات
محاسبه بیلان دراز مدت آبخوان دشت بیرجند
مدت یا دوره بیلان
مجموعه ورودی آب زیرزمینی
مجموعه خروجی آب زیرزمینی
تغییرات حجم مخزن در دوره بیلان(∆X)
محاسبه بیلان کوتاه مدت آبخوان آبرفتی دشت
مدت یا دوره بیلان:
مجموعه ورودی آب زیرزمینی:
مجموعه خروجی آب زیرزمینی
تغییرات حجم مخزن در دوره بیلان(∆X)
فصل سوم: بحث، تجزیه و تحلیل
مقدمه
انجام آنالیز حساسیت و تعیین ساختار شبکه عصبی و پارامترهای موثر بر نوسانات سطح آب
پیش بینی - مدلسازی سطح آب زیرزمینی در چاههای مشاهده ای موجود در منطقه مورد مطالعه
پیش بینی سطح آب در مناطق فاقد چاه مشاهده ای در محدوده مورد مطالعه و ترسیم منحنی هم تراز
فصل چهارم: نتیجه گیری و پیشنهاد
نتیجه گیری
پیشنهادها
منابع و ماخذ
خرید و دانلود آنی فایل