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

تعداد صفحات: 127 فرمت فایل: word کد فایل: 10002457
سال: مشخص نشده مقطع: کارشناسی ارشد دسته بندی: پایان نامه مهندسی عمران
قیمت قدیم:۱۹,۳۰۰ تومان
قیمت: ۱۷,۲۰۰ تومان
دانلود فایل
  • خلاصه
  • فهرست و منابع
  • خلاصه پایان نامه کاربرد مدل شبکه عصبی مصنوعی در مدیریت منابع آب زیرمینی

    چکیده :

    استفاده از شبکه عصبی در پیش بینی متغیرهای منابع آبی از جمله آب زیرزمینی بطور 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 دادههای زمانی 10 ساله و سپس مدلسازی نوسانات سطح آب زیرزمینی در پیزومترهای منتخب در دشت مورد مطالعه می باشدکه 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 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

    در طی دهه اخیر استفاده از شبکه های عصبی مصنوعی بطور روز افزونی در حیطه منابع آبی بویژه آبهای زیرزمینی در سراسر دنیا انجام شده است. با توجه به اینکه مدلهای شبکه عصبی نتایج خوبی ارائه می کنند استفاده از این مدلها در زمینه منابع آبی از مقبولیت خوبی برخوردار هستند.  دراین فصل به بیان مختصری از کارها و تحقیقات قبلی در زمینه شبکه عصبی مصنوعی پرداخته شده است.

    D.                    1-2- مروری بر تحقیقات انجام یافته

    اخیراً از شبکه های عصبی مصنوعی که یکی از شاخه های هوش مصنوعی محسوب می شود، به عنوان روشی کارا در حل مسائل به روش معکوس به طور روز افزونی استفاده می شود.

    از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوژیستها سعی کردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا  مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوششها در شبیه سازی با استفاده از یک مدل منطقی توسط  McCulloch and Pitts(1984)  انجام شد که  امروز بلوک اصلی سازنده‌ی اکثر شبکه های عصبی مصنوعی است . این مدل فرضیه‌هایی در مورد عملکرد نرونها ارائه می کند. عملکرد این مدل مبتنی بر جمع ورودیها و ایجاد خروجی است . چنانچه حاصل جمع ورودی‌ها از مقدار آستانه بیشتر باشد اصطلاحا نرون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده منطقی مثل OR وAND بود.

     نه تنها نروفیزیولوژیستها بلکه روانشناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌های عصبی تأثیر داشتند. اولین بار توسطRosenblatt (1985)  شبکه پرسپترون معرفی شد. این شبکه نظیر واحدهای مدل شده‌ی قبلی بود. این سیستم می‌تواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند.

    سیستم دیگری از مدل خطی تطبیقی نرون توسط Widrow and Hoff(1960)  به نام Adalalin  ایجاد شد که اولین شبکه های عصبی بکار گرفته شده در مسائل واقعی بود.  Adalaline یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت.

    کتابی توسط Minisky and Papert (1969) نوشته شد که محدودیتهای سیستمهای تک لایه و چند لایه پرسپترون را تشریح میکرد. نتیجه این کتاب پیشداوری و قطع سرمایه گذاری برای تحقیقات  در زمینه شبیه سازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله مهمی نمی‌باشد تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.

    با وجود اینکه اشتیاق عمومی و سرمایه گذاری های موجود به حداقل خود رسیده بود برخی محققان تحقیقات خود را برای ساخت ماشینهایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند ادامه دادند. از جمله 1980))Grossberg که شبکه‌ای تحت عنوان Avalanch را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او شبکه های ART(Adaptive resonance theory)  را بنا نهاد که با  مدلهای طبیعی تفاوت داشت. Anderson و Kohonen نیز از اشخاصی بود که تکنیکهایی برای یادگیری ایجاد کردند. Werbos(1974) شیوه آموزش پس انتشار خطا (Back Propagation) را ایجاد کرد که یک شبکه پرسپترون چند لایه البته با قوانین نیرومندتر آموزشی بود.

    پیشرفتهایی که در 1970 تا 1980 بدست آمد برای جلب توجه به شبکه‌های عصبی بسیار مهم بود. برخی فاکتورها نیز در تشدید این مسئله دخالت داشتند از جمله کتابها و کنفرانسهای وسیعی که برای مردم در رشته‌های متنوع ارائه شد. امروز نیز تحولات زیادی در تکنولوژی ANN ایجاد شده است.

    شبکه های عصبی مصنوعی  برای اولین بار درآبهای زیرزمینی توسط Aziz & Wong(1992)   جهت تعیین پارامترهای آبخوان استفاده شده است. دراین مطالعه که بر اساس توانائی شبکه های عصبی مصنوعی در شناسائی روندها و الگوها صورت گرفت، داده های افت انداز ه گیری شده به عنوان ورودی به منظور آموزش شبکه برای به دست آوردن قابلیت انتقال، ضریب ذخیره و نسبت فاصله چاه مشاهد ه ای از چاه پمپاژ به ضخامت آبخوان به کار برده شد. آنها  جهت آموزش مدل خود که  شامل الگوریتم  (Back-Propagation) BP بود ازآموزش با ناظر استفاده کردند . آنها دو آبخوان تحت فشار و نشتی را مورد بررسی قرار دادند . پارامترهای پیش بینی شده توسط این شبکه عصبی مصنوعی سه لایه با نتایج بدست آمده از روشهای قدیمی و سنتی مثل تایس و ژاکوب قابل مقایسه بود و نتایج قابل قبولی را حاصل نمود.

    یک شبکه عصبی مصنوعی برای مطالعات بهینه سازی در بهبود کیفیت آب زیرزمینی توسط Rogers (1992)  ارائه داد. هدف این مطالعه پائین نگه داشتن میزان غلظت آلوده کننده ها در برخی چاهها بوده و بدین منظور از یک شبکه چند لایه پیشرو با الگوریتم BP  استفاده کرد . ورودی ها، نسبت چاههای در حال پمپاژ به تعداد کل چاهها بودند ، بطوریکه چاههای در حال پمپاژ را یک و چاههای خاموش را صفر نامیدند . برای بدست آوردن نتایج مناسب،  این روش با روش الگوریتم ژنتیک(GA)  ترکیب شد . نتایج بدست آمده از این روش بسیار قابل قبول بود به طوری که این روش برای مناطق دیگر به کار برده شد (Rogers et al., 1993; Rogers .& Dowla, 1994 ; Rogers et al., 1995) بر اساس این سه تحقیق که بوسیله ترکیبی جدیدی از  GA  و ANNs صورت گرفت، این روش ترکیبی بعنوان روشی کارا برای مطالعات بعدی معرفی گردید.

     از شبکه عصبی مصنوعی ((ANN همچنین برای تخمین هدایت هیدرولیکی اشباع و پارامتر توزیع اندازه دانه ها استفاده شده است (Morshed & Kaluarachchi ,1998). آنها در این تحقیق به این نتیجه رسیدند که استفاده از الگوریتم ژنتیک به عنوان یک کنترل کننده ANN نتایج قابل قبول تری را حاصل می کند.

    اولین بار یک مفهوم جدیدی به عنوان کریجینگ عصبی را برای بدست آوردن هدایت هیدرولیکی در یک سفره توسط Rizzo and Dovgherty(1994)   معرفی شد. به این صورت که آنها از یک شبکه عصبی سه لایه کوهنن (Kohonen) با ورودی هائی مربو ط به مختصات نقاط و خروجی هائی به عنوان دسته های مختلفی از هدایت هیدرولیکی در منطقه مطالعاتی استفاده کردند. در این شبکه از الگوریتم بدون ناظر کوهنن استفاده شد. خروجی های شبکه توسط کریجینگ مدل شدند و به این ترتیب توانستند در کل منطقه هدایت هیدرولیکی را درون یابی کنند.

     از یک شبکه عصبی سه لایه برای پیش بینی زمان عبوری در یک لایه تثبیت شده سیستم جذب استفاده شد (Basheer & Najjar ,1995).  داده های صحت سنجی در آموزش توسط مدل HSDM ساخته شده بودند.  آنها با استفاده از آنالیز سیتماتیک توانستند سه ورودی را که بسیار در تعیین زمان عبوری مؤثر هستند ، تعیین کنند.  این عوامل شامل غلظت ورودی، وزن مخصوص مواد جذب کننده و قطرذرات لایه نفوذپذیر بودند. آنها بوسیله آزمون و خطا 10 نود برای لایه میانی  شبکه انتخاب کردند وهمچنین نتیجه گرفتند که پیش بینی قابل اعتماد، بستگی به دامنه ورودی ها دارد.

    جهت تعیین کیفیت و شوری آب رودخانه نیز از شبکه عصبی مصنوعی استفاده شده است.Maier & Dandy (1996)  توسط شبکه عصبی مصنوعی با 141 ورودی ) مقادیر شوری روزانه سطوح آب و جریانها در ایستگاه بالادست و زمانهای قبلی ( توانستند شوری رودخانه ای را در 14 روز آینده پیش بینی نمایند. این شبکه شامل دو لایه مخفی بود که با الگوریتم BP آموزش داده شده بود. در این مطالعه برای تعیین ورودی های لازم و غلبه برای آموزش بیش از حد  به ترتیب آنالیز حساسیت و صحت سنجی انجام گرفت. متوسط درصد خطا برای پیش بینی 14 روزه داده هائی در باز ه زمانی چها ساله 3.3 تا 7 درصد متغیر بود. آنها نتیجه گرفتند که تأثیر ساختار و نوع شبکه و سرعت آموزش نسبتاً کم است.

    جمعی از محققین  برای پیش بینی آبشویی حشره کشها در خاک دارای پوشش گیاهی از شبکه های عصبی مصنوعی استفاده کردند . (Starret et al,1996) بعد از بررسی های گسترده، حلالیت حشره کشها، سرعت کاربرد آنها، فاصله زمانی استفاده از آنها و نوع آبیاری به عنوان ورودی شبکه انتخاب شده و خروجی شبکه عبارت از درصد حشره کشهای آبشویی شده در عمق  50 سانتی متر از خاک بود. آنها از 75 و25  درصد داده ها به ترتیب برای آموزش و صحت سنجی شبکه ای با سه نود برای لایه مخفی استفاده کردند.

      از شبکه های عصبی مصنوعی برای توضیح موقعیت جریان آب شور در محیط متخلخل و کانالی توسط Sandhu & finch (1996)  در درون و در طول مرز دلتای Sacramento San Joaquin استفاده کردند. آنها نتیجه گرفتند که شبکه های عصبی مصنوعی می تواند کارائی بالائی در این گونه مطالعات داشته باشد. آنها ازداده های قدیمی ایستگاههای اندازه گیری جریان ورودی به دلتا به عنوان ورودی استفاده کردند و غلظت مواد جامد حل شده در بازه زمانی 20 ساله ر ا به عنوان خروجی مدل در نظر گرفتند و از این شبکه برای پیش بینی شوری در قسمتهای مختلف دلتا استفاده کرده و نتایج قابل قبولی بدست آوردند.

    توسط  Hutton et al.(1996)از شبکه عصبی مصنوعی برای پیش بینی تشکیل و انتقال تر ی هالومتان (THM) در آبهای دلتائی استفاده شد و شبکه عصبی مصنوعی مورد استفاده برای پیش بینی (THM) بوسیله ورودی هائی مثل کلرید برم، زمان واکنش، دما و اسیدیته آموزش داده شد . آنها بدین منظورشبکه ای با 2 لایه میانی، اولی با پنج نود و دومی با سه نود بکار بردند و نتیجه گرفتند که شبکه های عصبی مصنوعی توانائی پیش بینی گونه های متنوع THM و غلظت آن را در آب دلتائی دارند.

      از طریق شبکه های عصبی مصنوعی برای پیش بینی و ارزیابی سطح ایستابی در زهکشی زیر سطحی مزارع نیز استفاده شده است (Yang et al,1997). بارش روزانه، پتانسیل تبخیر و سطح ایستابی قبلی به عنوان ورودی مدل در نظر گرفته شدند و خروجی، سطح ایستابی در زمان آینده بود. آنها نشان دادند که شبکه های عصبی می توانند توانائی بالائی در پیش بینی سطح ایستابی داشته باشند. کاربردهای دیگر ازشبکه های عصبی در آبیاری و زهکشی توسط یانگ و همکاران مورد بررسی قرار گرفت.

    با استفاده از شبکه های عصبی پیشرو  جهت مدلسازی متغیرها در پیش بینی منابع آب توسط Coulibaly et al.(1999) استفاده شد. مقایسه روشهای مختلف مدلسازی توسط ANNs در مقابل مدلهای مختلف با جزئیات کامل بوسیله بسیاری از مقالات بیان شده است. این مدلهای کارا در مسائل هیدرولوژیکی توسطKarunanithi et al.(1994) ،     Coulibaly et al.(2001) و ... ارائه شده است.

    در سال 2000 با توجه به گسترش روزافزون استفاده از شبکه های عصبی مصنوعی انجمن مهندسین  آمریکا (ACSE) مبانی و کاربردهای این مدلها در هیدرولوژی را تحت 2 مقاله ارائه دادند. در این مقالات بسیاری از مفاهیم اساسی این مدلها و نیز روشها ئی که در آینده می توان از این مدلها و توانائی های مختلف آنها را که تا آن زمان مورد مطالعه قرار نگرفته بودند، ارائه کردند که از آن جمله می توان به آشکار ساختن فیزیک و عوامل مؤثر بر بسیاری از مسائل هیدرولوژیکی، شناسائی پارامترها و بررسی بسیاری از معادلات حاکم که حل عددی آنها با مشکلات فراوانی روبه رو است، تجزیه و تحلیل سری های زمانی مختلف، و تخمین پدیده های مختلف هیدرولوژیکی اشاره نمود. مطالعات بعدی که از این مدل بهره جسته اند، توسعه زیادی پیدا کردند.

    Abstract:

    Artificial Neural Networks (ANNs) are being used increasingly to predict and forecast water resources variables such as groundwater levels. In this paper using artificial neural network three objective including determination of the influential parameters which impact fluctuation of groundwater level in birjand aquifer,  investigation of  the effect of temporal and spatial information by  considering  time series (10 years) and simulation of the fluctuation groundwater level in selected piezometers are recognized. The reasonably good prediction of piezometric level simulated based on ANN using FNN_LM by selection of effective parameters and optimal time lag. Then producted four assumption condition by changing six month last input data. Predictioned fluctuation of groundwater level in assumption condition by provided modeling ANN.

     

    Keyword: Artificial Neural Networks, Groundwater Fluctuation, Levenberg-Marquart Algorithm, Birjand Aquifer   

     

  • 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

ثبت سفارش
عنوان محصول
قیمت