پیش بینی زمانی و مکانی سطح آب زیرزمینی محدوده متروی شهر تبریز توسط روش کریجینگ عصبی

سال انتشار: 1388
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 211

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_IWRR-5-1_003

تاریخ نمایه سازی: 1 اسفند 1401

چکیده مقاله:

تغییرات سطح آبهای زیرزمینی یکی از عوامل اصلی تاثیر گذار بر اجرای پروژه های مهندسی می باشد. پیش بینی زمانی و مکانی سطح آبهای زیرزمینی در محدوده شهر تبریز به علت وجود پروژه های مهندسی در دست اجرا از جمله پروژه متروی شهر تبریز ضروری به نظر می رسد. به علت پیچیده و چند لایه بودن آبخوان محدوده شهر تبریز، مدل سازی آن با مدل های ریاضی کلاسیک با مشکلات فراوانی رو به رو است. در این تحقیق به عنوان روشی جدید از دو مدل شبکههای عصبی مصنوعی و زمین آمار (کریجینگ عصبی) به صورت ترکیبی برای پیش بینی زمانی و مکانی تغییرات سطح آبهای زیرزمینی در آبخوان محدوده شهر تبریز استفاده شد. به طوری که ابتدا از ساختارهای مختلف شبکه های عصبی مصنوعی برای پیش بینی سطح آبهای زیرزمینی در پیزومتر مرکزی استفاده گردید و بهترین ساختار شناسائی شد. سپس این ساختار برای مدل سازی پیزومترهای منتخب به کار برده شد. نتایج مدل های مذکور، شامل داده های پیش بینی ماهانه سطح آبهای زیرزمینی در پیزومترهای منتخب در بازه زمانی دو ساله، به عنوان ورودی مدل ‍زمین آمار برای پیش بینی مکانی سطح آبهای زیرزمینی در محدوده مطالعاتی به کار گرفته شد. برای بدست آوردن مدلی با بازده بالا روشهای مختلف زمین آمار استفاده شد. در نهایت مدل به دست آمده توسط نتایج مربوط به پیزومترهای استفاده نشده در مدل سازی و در دست احداث، مورد آزمون قرار گرفت، که نتایج قابل قبولی را ارائه داد.

کلیدواژه ها:

تغییرات سطح آبهای زیرزمینی ، مدل شبکههای عصبی مصنوعی ، مدل زمین آمار ، کریجینگ عصبی ، آبخوان محدوده شهر تبریز

نویسندگان

اصغر اصغری مقدم

دانشیار/دانشکده علوم طبیعی، دانشگاه تبریز

وحید نورانی

استادیار /دانشکده مهندسی عمران، دانشگاه تبریز

عطاالله ندیری

دانشجوی دانشجوی دکتری/ هیدروژئولوژی، دانشگاه تبریز

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • اصغری مقدم، اصغر، نورانی، وحید، ندیری، عطاالله (۱۳۸۶)، "پیش بینی ...
  • اصغری مقدم، اصغر، نورانی، وحید، ندیری، عطاالله (۱۳۸۷)، "مدل سازی ...
  • ندیری، عطاالله، اصغری مقدم، اصغر (۱۳۸۵)، "مبانی شبکه های عصبی ...
  • ندیری، عطاالله (۱۳۸۶)، "پیش بینی سطح آبهای زیرزمینی توسط مدل ...
  • Aboufirassi, M. and Maano, M. A. (۱۹۸۳), "krigingof water level ...
  • ASCE Task Committee on Application of Artificial Neural Networks in ...
  • ASCE American Society of Civil Engineering Task Committee on geostatical ...
  • Coulibaly, P., Anctil, F. and Bobée, B. (۲۰۰۰), "Daily reservoir ...
  • Coulibaly, P., Anctil, F., Aravena, R. and Bobée, B. (۲۰۰۱a), ...
  • Coulibaly, P., Bobée, B. and Anctil, F. (۲۰۰۱b), "Improving extreme ...
  • Daliakopoulos, N. I., Coulibaly, P. and Tsanis, I. K. (۲۰۰۵), ...
  • Delhomme, J. P. (۱۹۷۸), "kriging in hydrosciences". Adv. Water Resour., ...
  • Desbarats, A. J., Logan, C. E., Hinton, M. J. and ...
  • Dunlap, L. E. and Spinazola, J. M. (۱۹۸۴), "Interpolation water-table ...
  • French, M. N., Krajewski, W. F. and Cuykendal, R. R. ...
  • Hoeksema, R.J., Clapp, R. B., Thomas, A. L., Hunley, A. ...
  • Isaaks, E. H. and Srivastava, R. M. (۱۹۸۹), Applied Geostatistics, ...
  • Goovaerts, P. (۲۰۰۰), "Geostatistical approaches for incorporating elevation into the ...
  • Lallahem, S., Mania, J., Hani, A. and Najjar, Y. (۲۰۰۵), ...
  • Maier H. R. and Dandy G. C. (۲۰۰۰), "Neural network ...
  • Rizzo, D. M. and Dougherty, D. E. (۱۹۹۴), Characterization of ...
  • نمایش کامل مراجع