این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
تحقیقات منابع آب ایران، جلد ۹، شماره ۱، صفحات ۱-۱۴
عنوان فارسی توسعه مدل‌های هوش مصنوعی مرکب در برآورد قابلیت انتقال آبخوان، مطالعه موردی: دشت تسوج
چکیده فارسی مقاله پارامترهای هیدروژئولوژیکی از جمله قابلیت انتقال یکی از مهمترین پارامترهای ورودی در مدل‌سازی آبهای زیرزمینی است که عموماً تعیین آن برای نقاط مختلف آبخوان با هزینه‌های فراوانی انجام می‌گیرد. آبخوان دشت تسوج یکی از آبخوانهای حاشیه دریاچه ارومیه می‌باشد که در دهه اخیر با افت سطح آب زیرزمینی مواجه شده و نیازمند مدیریت کمی و کیفی است. بنابراین، در این تحقیق به عنوان مرحله اول، از مدل‌های منطق فازی، شبکه عصبی مصنوعی و نوروفازی برای برآورد قابلیت انتقال استفاده شد. سپس با توجه به پیچیدگی سیستم‌های هیدروژئولوژیکی، در این مطالعه روش ترکیبی از مدل‌های هوش مصنوعی پیشنهاد شده است که مدل هوش مصنوعی مرکب (Committee machine (CM)) خوانده می‌شود. با توجه به این که هر یک از مدل‌های فازی، شبکه عصبی مصنوعی و نوروفازی توانایی‌هایی در برآورد پارامترهای هیدروژئولوژیکی نشان داده‌اند، لذا در این روش ترکیبی از این مدل‌ها برای پیش‌بینی قابلیت انتقال استفاده شده است. به طوری که خروجی هر مدل با وزن بهینه شده بوسیله روش الگوریتم بهینه‌سازی جامعه ذرات، به خروجی مدل ترکیبی ارائه شده انجامید. در این مطالعه از متغیرهای ژئوفیزیکی و هیدروژئولوژیکی مرتبط با قابلیت انتقال مانند مقاومت عرضی (Rt)، هدایت الکتریکی (EC) و ضخامت آبخوان(B) و همچنین موقعیت جغرافیایی به عنوان ورودی برای برآورد قابلیت انتقال استفاده شد. بر اساس نتایج بدست آمده مدل ترکیبی پیشنهاد شده نسبت به هریک از مدل‌های فازی، شبکه عصبی مصنوعی و نوروفازی نتایج بهتری نشان دادند.
کلیدواژه‌های فارسی مقاله
عنوان انگلیسی Development of Artificial Intelligence Committee Machine for Transmissivity Estimation, Case study:Tasuj Plain
چکیده انگلیسی مقاله Hydrogeological parameters like transmissivity are among the important and money-consuming input parameters of ground water modeling. Fuzzy logic, Artificial Neural Networks, and Neurofuzzy has high capability in hydrogeological parameter estimation.In this research combination of these models applied to transmissivity estimation of Tasuj aquifer. Tasuj plain aquifer is one of the marginal plains of Lake Urmia which suffered more ground water declination in last decades and needs qualitative and quantitative management. To overcome the complexity of hydrogeologic systems, Hybrid Artificial Intelligence Modelis then presented as a committee machine. Based on the outputs, weights of each models optimized using particle swarm optimization which caused to form committee machine. Related geophysical and hydrogeological variables to transmissivity such as transverse resistivity (Rt), electric conductivity (EC), alluvium thickness (B), and geographic location were among inputs to this study. The obtained results from presented committee machine showed higher efficiency compared to the Fuzzy logic, Artificial Neural Network, and Neurofuzzy models, individually.
کلیدواژه‌های انگلیسی مقاله
نویسندگان مقاله عطاالله ندیری |
دانشجوی دکتری هیدروژئولوژی، دانشگاه تبریز، تبریز، ایران
سازمان اصلی تایید شده: دانشگاه تبریز (Tabriz university)

اصغر اصغری مقدم | asghari moghaddam
استاد دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران.
سازمان اصلی تایید شده: دانشگاه تبریز (Tabriz university)

هیراد عبقری |
استادیار دانشکده منابع طبیعی دانشگاه ارومیه، ارومیه، ایران.
سازمان اصلی تایید شده: دانشگاه ارومیه (Urmia university)

الهام فیجانی |
دانشجوی دکتری هیدروژئولوژی، دانشگاه تبریز، تبریز، ایران
سازمان اصلی تایید شده: دانشگاه تبریز (Tabriz university)

نشانی اینترنتی http://www.iwrr.ir/article_16699_09cda27ebb63dad3ffefe22ce8575251.pdf
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده
نوع مقاله منتشر شده
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات