به جمع مشترکان مگیران بپیوندید!

تنها با پرداخت 70 هزارتومان حق اشتراک سالانه به متن مقالات دسترسی داشته باشید و 100 مقاله را بدون هزینه دیگری دریافت کنید.

برای پرداخت حق اشتراک اگر عضو هستید وارد شوید در غیر این صورت حساب کاربری جدید ایجاد کنید

عضویت

جستجوی مقالات مرتبط با کلیدواژه "دبی جریان های زیر زیرزمینی" در نشریات گروه "آبخیزداری، بیابان، محیط زیست، مرتع"

تکرار جستجوی کلیدواژه «دبی جریان های زیر زیرزمینی» در نشریات گروه «کشاورزی»
جستجوی دبی جریان های زیر زیرزمینی در مقالات مجلات علمی
  • محسن نجارچی*، مهدیه شهیدی زندی، رضا جعفری نیا، شهرو مختاری، علی جان آبکار

    به دلیل نیاز روزافزون به آب و عدم دسترسی به منابع تامین کننده آن، حفظ و استفاده از منابع آب زیرزمینی ضروری به نظر می رسد. شناسایی و بهره برداری این منابع از اهمیت خاصی برخوردار است. بررسی جریان های زیر قشری نیاز به مطالعات ژئوالکتریک و ژئوتکنیک دارد که هر دو این عملیات مستلزم صرف وقت و هزینه زیاد است؛ بنابراین ارائه روش یا مدلی که بتوان هزینه بررسی جریان های زیر قشری را به حداقل ممکن کاهش بدهد ضروری است. در این پژوهش با استفاده از دو نوع شبکه عصبی مصنوعی پرسپترون چندلایه (MLP)و شبکه تابع پایه شعاعی (RBF)به بررسی رابطه بین خصوصیات هیدروژئومورفولوژی حوزه آبخیز جریان های زیر قشری در 7 زیر حوزه آبخیز واقع در استان کرمان پرداخته شد. خصوصیات هیدروژئومورفولوژی سدهای زیرزمینی به عنوان متغیر مستقل ورودی و دبی جریان زیر قشری در خروجی حوزه آبخیز به عنوان متغیر وابسته در نظر گرفته شد. نتایج این پژوهش نشان می دهد که شبکه عصبی تابع پایه شعاعی  (RBF) با ضریب تعیین 9182/0 و میانگین مربعات خطای 0289/0 نسبت به روش شبکه عصبی مصنوعی پرسپترون چندلایه  (MLP) با ضریب تعیین5288/0 و میانگین مربعات خطا 0725/0 نتایج دقیق تری در برآورد میزان دبی جریان زیر قشری ارائه می نماید. با توجه به ضریب تعیین محاسبه شده می توان نتیجه گرفت که مدل شبکه عصبی راهکاری مناسب و کم هزینه برای بررسی این ارتباط در حوزه های آبخیز است.

    کلید واژگان: استان کرمان, دبی جریان های زیر زیرزمینی, سد زیرزمینی, شبکه عصبی پایه تابع شعاعی, ضریب تعیین
    Mohsen Najarchi*, Mahdieh Shahidi Zandi, Reza Jafarinia, Shrou Mokhtari, Ali Jan Abkar

    Due to the increasing need for water and the lack of access to its sources, it is essential to maintain and use groundwater resources. So, identifying and exploiting these resources has particular importance. Investigating interflows requires geo-electric and geotechnical studies, both of which require a lot of time and cost. Therefore, it is necessary to provide a method or model that can minimize the cost of investigating interflows as much as possible. In this research, two types of artificial neural networks- multi-layer perceptron (MLP) and radial base function (RBF) were used to study the relationship between hydro-geomorphological characteristics of the watershed basin and interflows in seven watershed sub-basins in Kerman province. Hydro-geomorphological characteristics of subsurface dams were considered as input independent variables, and the discharge of interflow in the watershed basin outlet was considered as dependent variable. The results of this study show that radial base function (RBF) with determination coefficient of 0.9182 and mean squares error of 0.0289, has more accurate results in estimating the discharge of interflow, compared to artificial neural network method of multilayer perceptron (MLP) with determination coefficient of 0.5288  and mean squares error of 0.725. Regarding the determination coefficient in the used methods, it can be concluded that the model of the neural network is the appropriate solution and low cost to check this connection in the watershed.

    Keywords: Kerman Province, Interflows, Subsurface dam, Neural Network of Radial Base Function, Determination coefficient
نکته
  • نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
  • کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
  • در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
درخواست پشتیبانی - گزارش اشکال