پایان نامه کاربرد مدل شبکه عصبی مصنوعی در مدیریت منابع آب زیرمینی

فهرست و منابع پایان نامه کاربرد مدل شبکه عصبی مصنوعی در مدیریت منابع آب زیرمینی

فهرست:

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

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

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

1-2- مروری بر تحقیقات انجام یافته...................................................................................................................... 3

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

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

2-2-  معرفی شبکه عصبی مصنوعی.................................................................................................................... 11

2-2-1- مزیت های شبکه های عصبی:........................................................................................................... 11

2-2-2- کاربردهای شبکه عصبی:.................................................................................................................. 12

2-2-3- اجزای کلی شبکه عصبی مصنوعی.................................................................................................... 13

2-2-4- ساختار های شبکه عصبی مصنوعی.................................................................................................. 15

2-2-4-1- شبکه های پیشرو(Feedforward)........................................................................................ 15

2-2-4-2- شبکه های برگشتی(Backforward) .................................................................................... 15

 2-2-4-3- شبکه های شعاعی(Radial Basis Function Networks )................................................. 16

2-2-5- معرفی انواع شبکه عصبی ساده: ...................................................................................................... 16

2-2-5-1- پرسپترون(Perceptron)....................................................................................................... 16

2-2-5-2- شبکه همینگ(Haming)...................................................................................................... 17

2-2-5-3- شبکه هاپفیلد(Hopfield)..................................................................................................... 17

2-2-6- الگوریتمهای مختلف آموزش............................................................................................................. 17

2-2-6-1-الگوریتم لونبرگ-مارکورت (LM) Levenberg-Marquardt................................................... 17

2-2-6-2-گرادیان نزولی انتشار خطا به عقب با ممنتم............................................................................... 18

2-2-6-3-تنظیم بایزین (BR) Bayesian Regulazation...................................................................... 18

2-2-7- تقسیم بندی شبکه ها از نظر نوع توابع عملگر.................................................................................... 18

2-2-8- تقسیم بندی شبکه ها از نظر نوع آموزش........................................................................................... 19

2-2-8-1- آموزش نظارت شده(Supervised).......................................................................................... 19

2-2-8-2- آموزش غیرنظارت شده(Unsupervised)................................................................................ 19

2-2-9- آموزش شبکه های عصبی مصنوعی................................................................................................... 20

2-2-10- صحت سنجی................................................................................................................................. 21

2-2-11- معیار ارزیابی کارایی و خطای مدل................................................................................................... 22

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

2-3-1- موقعیت جغرافیایی محدوده مورد مطالعه............................................................................................ 22

2-3-2- زمین شناسی منطقه مورد مطالعه:...................................................................................................... 24

2-3-2-1- تشکیلات کرتاسه.................................................................................................................... 26

2-3-2-2- رسوبات نوع فلیش.................................................................................................................. 27

2-3-2-3- تشکیلات پالئوژن................................................................................................................... 27

2-3-2-4- تشکیلات نئوژن...................................................................................................................... 27

2-3-2-5- رسوبات کواترنر...................................................................................................................... 28

2-3-3- زمین‏شناسی ساختمانی منطقه‏ مورد مطالعه........................................................................................ 28

2-3-4- هواشناسی....................................................................................................................................... 29

2-3-4-1- بارندگی.................................................................................................................................. 29

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

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

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

2-3-4-5- طبقه بندی اقلیمی منطقه........................................................................................................ 35

2-3-5-  بررسی های اکتشافی دشت بیرجند.................................................................................................. 37

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

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

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

2-3-5-4-  نقشه هم ارتفاع سنگ کف دشت بیرجند................................................................................ 39

2-3-6-  هیدروژئولوژی دشت بیرجند............................................................................................................ 41

2-3-6- 1- بررسی ضرایب هیدرودینامیکی:............................................................................................. 41

2-3-6-2- رفتار سنجی چاههای مشاهده ای............................................................................................ 43

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

2-3-7-  نقشه های هیدروژئولوژی................................................................................................................. 55

2-3-7-1- نقشه هم پتانسیل دشت بیرجند.............................................................................................. 55

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

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

2-3-8-  بهره برداری از منابع آب زیرزمینی دشت بیرجند.............................................................................. 59

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

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

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

2-3-9-  محاسبه بیلان دراز مدت آبخوان دشت بیرجند.................................................................................. 62

2-3-9-1- مدت یا دوره بیلان.................................................................................................................. 63

2-3-9-2-  مجموعه ورودی آب زیرزمینی................................................................................................. 63

2-3-9-3-  مجموعه خروجی آب زیرزمینی............................................................................................... 65

2-3-9-4-  تغییرات حجم مخزن در دوره بیلان(∆X)................................................................................ 66

2-3-10- محاسبه بیلان کوتاه مدت آبخوان آبرفتی دشت................................................................................ 67

2-3-10-1- مدت یا دوره بیلان:............................................................................................................... 67

2-3-10-2-  مجموعه ورودی آب زیرزمینی:............................................................................................. 67

2-3-10-3-  مجموعه خروجی آب زیرزمینی............................................................................................. 69

2-3-10-4- تغییرات حجم مخزن در دوره بیلان(∆X)............................................................................... 70

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

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

3-2- انجام آنالیز حساسیت و تعیین ساختار شبکه عصبی و پارامترهای موثر بر نوسانات سطح آب......................... 72

3-3- مدلسازی سطح آب زیرزمینی در چاه مشاهده ای محمدیه در منطقه مورد مطالعه............................................ 79

3-4- مدلسازی سطح آب زیرزمینی در چاههای مشاهده ای موجود در منطقه مورد مطالعه....................................... 83

3-5- پیش بینی سطح آب زیرزمینی در چاههای مشاهده ای موجود در منطقه مورد مطالعه..................................... 91

3-6- پیش بینی سطح آب در مناطق فاقد چاه مشاهده ای در محدوده مورد مطالعه  و ترسیم منحنی هم تراز........... 99

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

4-1- نتیجه گیری............................................................................................................................................ 114

4-2- پیشنهادها......................................................................................................................................... 116

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

Reference...................................................................................................................................................... 118

 

 

منبع:

اصغری مقدم، الف، ندیری، ع، فیجانی، الف، 1385 ، مطالعه توانایی مدلهای مختلف شبکه عصبی مصنوعی برای ارزیابی سطح آب زیرزمینی در سازند سخت، دهمین همایش انجمن زمین شناسی ایران، دانشگاه تربیت مدرس، ایران.

درویش زاده، ع، 1375 ، زمین شناسی ایران .انتشارات امیرکبیر

سازمان زمین شناسی و اکتشافات معدنی کشور، 1381 ، نقشه زمین شناسی چهارگوش بیرجند به مقیاس 100000

طوس آب، 1386 ، مطالعات تعادل بخشی و نیمه تفضیلی دشت بیرجند، 147 صفحه

گیلانی مکنونی، س،1383، تعیین هدایت هیدرولیکی خاک های غیراشباع زاهدان به وسیله مدل شبکه عصبی.پایان نامه کارشناسی ارشد،دانشگاه زاهدان

محمدی، ک. 1381، برآورد سطح آب زیرزمینی با استفاده از مدل MODFLOW و شبکه عصبی مصنوعی ، دانشگاه تربیت مدرس، دانشکده کشاورزی.

منهاج،م.، 1377 ، مبانی شبکه های عصبی ، دانشگاه صنعتی امیرکبیر، 497 صفحه

منهاج،م. سیفی پور، ن. 1378، کاربرد هوش محاسباتی در کنترل ، مرکز نشر پروفسورحسابی، 481 صفحه

نخعی،م، 1381، برآورد منحنی هدایت هیدرولیکی غیر اشباع خاک از روی منحنی دانه بندی با استفاده از شبکهRBF عصبی مصنوعی . بیست و یکمین گرد همایی علوم زمین سازمان زمین شناسی

10- ندیری، ع، اصغری مقدم، الف،1385. ، مبانی شبکه های عصبی مصنوعی کاربرد  آن      درهیدروژئولوژی، دهمین همایش انجمن زمین شناسی ایران، دانشگاه تربیت مدرس،

 ندیری، ع، 1386، پیش بینی سطح آب زیرزمینی تبریز با شبکه های عصبی مصنوعی ، پایان نامه کارشناسی ارشد، دانشگاه تبریز

1- Anderson, D., McNeill, G., 1992, Artificial Neural Networks Technology.

    Kaman Sciences Corp., New York, 13502-4627.

2- ASCE Task Committee on Application of Artificial Neural Networks in

    Hydrology, 2000, Artificial neural network in hydrology, part I and II. J.

    Hydrol. Eng., 5(2), 115-137.

3- Aziz, A. R. A., wong, K. F. V., 1992, Neural networks approach the

    determination of aquifer parameter. Groundwater, 30 (2), 164-166.

4- Basheer, I. A., Najjar, Y. M., 1995, Designing and analyzing fixed-bed

    adsorption systems with artificial neural networks. J. Envir. Syst., 23(3), 291-

     312.

5- Copola, E., Szidarovszky, F., Poulton, M., Charles, E., 2003, Artificial neural

      network approach for predicting transient water levels in multilayered

      groundwater system under variable state, pumping, and climate conditions. J.

      Hydro. Eng., 8(6), 348-380.

6- Coulibaly, P., F. Anctil, B., Bobe´e, 1999, Hydrological forecasting using

      artificial neural networks: The state of the art, Can. J. Civ. Eng., 26(3), 293–

      304,.

7- Coulibaly, P., Anctil, F., Bobée, B., 2000, Daily reservoir inflow forecasting

       using artificial neural networks with stopped training approach. J. Hydrol. 230,

       244-257.

8- Coulibaly, P., Anctil, F., Aravena, R., Bobée, B., 2001, Artificial neural

       network modeling of water table depth fluctuation. Water Resour. Rese., 37, 885-896

9- Coulibaly, P., Anctil, F., Bobée, B., 2001, Multivariate reservoir inflow

       forecasting using temporal neural networks. J. Hydrol. Eng. 9-10, 367-376.

10- Daliakopoulos, N. I., Coulibaly, P., Tsanis, I. K., 2005, Ground water level

      forecasting using artificial neural networks. J. Hydro., 309, 229-240.

11- Garcia, L. A., Shigidi, A., 2006, Using neural networks for parameter

      estimation in ground water. J. Hydro., 318, 215-231.

12- Grossberg, M. Hassoun MH.. 1980. Fundamentals of artificial neural networks and                  adaline network in use. Cambridge:MIT Press.

13- Haykin, S., 1994, Neural network: A comprehensive foundation, MacMillan

      College publishing Co., New York.

14- Hopfield, J. J., 1982, Neural network and physical systems with emergent

      collective computational abilities. Proc., Nat. Academy of scientists, 79,2554-

      2558.

15- Hutton, P. H., Sandhu, N., Chung, F. I., 1996, Predicting THM formation with

      artificial neural networks. Proc., North Am. Water and Envir. Conf., ASCE,

      New York, 3557–3556.

16- Karunanithi, N., Grenney, W. J., Whitley, D., and Bovee, K. 1994, Neural

      networks for river flow prediction. J. Comp. in Civ. Engrg., ASCE, 8(2), 201–

      220.

17- Lallahem S., Mania, J., Hani, A., Najjar, Y., 2005, On the use of neural

      networks to evaluate ground water levels in fractured media. J. Hydro., 307,

     92-111.

18- Lallahem, S., Mania, J., 2003b, A non-linear rainfall-runoff model using

      neural network technique: example in fractured porous media. J. Math.

     Comput. Modell., 37, 1047-1061

19- Lin, G.F., Chen, G.R., 2006. An improved neural network approach to the                           .     determination of aquifer parameters. Journal of Hydrology 316 (1–4), 281–289

20- Maier, H. R., and Dandy, G. C. 1996, The use of artificial neural networks for

      the prediction of water quality parameters. Water Resour.Res., 32(4), 1013–

      1022.

21- Maier, H. R., Dandy, G. C., 1998, Understanding behavior and optimizing the

       performance of back propagation neural networks: an empirical study. Environ.

      Modeling Software, 13, 179-191.

22- Maier, H. R., Dandy, G. C., 2000, Neural network for the prediction and

      forecasting water resources variables: a review of modeling issues and

      applications. Environ. Modeling Software, 15, 101-124.

23- McCulloch. W; W. Pitts, 1984. A logical calculus of the ideas immanent in nervous

      activity, Bulletine of mathematical biophysics, vol. 5.

24-Minisky, M. L., Papert, S., 1969, Perceptrons: An introduction to

     computational geometry, MIT Press, Cambridge, MA.

25- Morshed, J., and Kaluarachchi, J. J., 1998, Parameter estimation using

      artificial neural network and genetic algorithm for free-product and recovery.

      Water Resour. Res., 34(5), 1101–1113.

26- NAYAK, B. SATYAJI RAO, R .SUDHEER, K. 2005, Groundwater Level Forecasting in a         Shallow Aquifer Using Artificial Neural Network Approach, Water Resources mnagement         77–90    

27- Ranjithan S., Eheart, J. W., Rarret Jr., J. H., 1993, Neural network-screening for

      ground water reclamation under uncertainty. Water Resour. Res., 29(3), 563-

      574.

28- Rizzo, D. M., Dougherty, D. E., 1994, Characterization of aquifer properties

      using artificial neural networks: Neural kriging, Water Resour. Res., 30(2),

      483-497.

29- Rogers, L. L., Johnson, V. M., Dowla, F. U., 1993, Network dissection of

      neural networks used in optimal groundwater remediation. Proc., 2nd USA/CIS

      Joint Conf. on Envir. Hydrol. and Hydrogeology, American Institute of

      Hydrology, Arlington, Va.

30- Rogers, L. L., 1992, Optimal groundwater remediation using artificial neural

       network and the genetic algorithm, PhD Dissertation, Stanford University,

       Stanford, Calif.

31- Rogers, L. L., Dowla, F. U., 1994, Optimizationofgroundwater remediation

      using artificial neural networks with parallel solutetrans- portmodeling. Water

      Resour. Res., 30(2), 457–481.

32- Rogers, L. L., Dowla, F. U., Johnson, V. M., 1995, Optimal fieldscale

      groundwater remediation using neural networks and the genetic algorithm.

      Envir. Sci. and Technol., 29(5), 1145–1155.

33- Rosenblatt. F, 1985. The perseptron: A probabilistic model for information Storage              '    an Organization in the brain, Pshchological Review, vol .65

34- Sandhu, N., Finch, R., 1996, Emulation of DWRDSM using artificial neural

      networks and estimation of Sacramento River flow from salinity. Pro., North

     Am. Water and Envir. Conf., ASCE, NewYork, 4335-4340.

35 - Samani N., Gohari M. and Safavi A. A.(2007), A simple neural network for

       determination of aquifer parameters, Journal of Hydrology, 340, 1-11

36- Starret, S. K., Najjar, Y. M., Hill, J. C., 1996, Neural networks predict

      pesticide leaching. Pro., Am. Water and Envir.Conf., ASCE, New York, 1693-

     1698

37-Werbos. P.J,1974. New tools for prediction and analysis in the behavioral science;

      ph.D Thesis, Havarad University, Cambridge

38- Widrow, B. Hoff, M. 1960, Adaptive Switching circuits, IRE part 4 weSCON report,

       N.Y.

39- Yang, C. C., Prasher, S. O., Lacroix, R., 1996b, Application of artificial neural

       networks to land drainage engineering. Trans., ASAE, 39(2), 525–533, 1996.

40- Yang, C. C., Prasher, S. O., Lacroix, R., Sreekanth, S., Patni, N. K., Masse,

       L., 1997, Artificial neural network model for subsurface drained farmland. J.

       Irrig. And Drain. Engrg., ASCE, 123(4), 285-292.

41- Zhang, G., Patuwo, B.E., Hu, M.Y., 1998. Forecasting with artificial neural networks:

      the state of the art. Int. J. Forecasting 14, 35–62