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
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 آبهای زیرزمینی از اهمیت و حساسیت بسیار زیادی برخوردار است. برای اعمال یک مدیریت صحیح نیاز به شناسایی و به مدل درآوردن و پیش بینی نوسانات سطح آب سفره های زیر زمینی در دشتها جهت برنامهریزیهای بلندمدت و استفاده بیشتر و بهتر از پتانسیلهای آبی دشتها عمیقاً احساس میشود. 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 روشهای پیش بینی بر پایه نوعی شبیه سازی از وضعیت موجود سیستم میباشد که اصطلاحاً به این موضوع مدلسازی (Modeling) گفته میشود. مدلهای احتمالاتی یا مدل های آماری از رابطه مابین سریهای زمانی و یک یا چند سری زمانی دیگر بهره میجویند.
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 بدست 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 نیز 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 وبیابانی بوده و استفاده از آب زیرزمینی در آن از اهمیت بالایی برخوردار است.
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.
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.
جهت ازریابی توانائی های چندین ساختار و الگوریتم اجرای شبکه های عصبی مصنوعی به همت Coulibaly et al. (2001) برای تغییرات سطح ایستابی در آبهای زیرزمینی مورد بررسی قرار داده شد. این مطالعه توانائی بالای شبکه های عصبی مصنوعی در پیش بینی سطح ایستابی ماهانه را در آبخوانهای آبرفتی نشان داد . در این مطالعه آنها بهترین شبکه را برای پیش بینی سطح ایستابی از بین ساختارهای مورد بررسی از شبکه های عصبی مصنوعی را RNN-BP معرفی نمودند و به این نتیجه رسیدند که این ساختار برای ارزیابی سطح ایستابی با عمق زیاد بسیار مناسب هست و برای موارد زیر توانائی بالائی دارند :1- داده های کافی برای مدلسازی سفره در اختیار نباشد ، 2- داده های موجود از اعتبار کمی برخوردار باشد ، و 3- نیازی به مدلسازی درون سیستم آبخوان وجود نداشته باشد.
فهرست مطالب:
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 پیشروFeedforward)........................................................................................ 15)
2-2-4-2- شبکه های برگشتیBackforward) .................................................................................... 15)
2-2-4-3- شبکه های شعاعیRadial Basis Function Networks )................................................. 16)
2-2-5- معرفی انواع شبکه عصبی ساده: ...................................................................................................... 16
2-2-5-1- پرسپترونPerceptron)....................................................................................................... 16)
2-2-5-2- شبکه همینگHaming)...................................................................................................... 17)
2-2-5-3- شبکه هاپفیلدHopfield)..................................................................................................... 17)
2-2-6- الگوریتمهای مختلف آموزش............................................................................................................. 17
2-2-6-1-الگوریتم لونبرگ-مارکورت (LM(Levenberg-Marquardt...................................................
2-2-6-2-گرادیان نزولی انتشار خطا به عقب با ممنتم............................................................................... 18
2-2-6-3-تنظیم بایزین(BR (Bayesian Regulazation.....................................................................
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 شدهSupervised..........................................................................................
2-2-8-2- آموزش غیرنظارت شدهUnsupervised..........................................................
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)...............................................................................
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
شامل 118 صفحه فایل word قابل ویرایش
دانلود تحقیق کاربرد مدل شبکه عصبی مصنوعی در مدیریت منابع آب زیرمینی