پیوندهای مفید
آمار
| تعداد نشریات | 21 |
| تعداد شمارهها | 670 |
| تعداد مقالات | 9,736 |
| تعداد مشاهده مقاله | 69,270,678 |
| تعداد دریافت فایل اصل مقاله | 48,554,983 |
پیشبینی شوری آب زیرزمینی زیر لولههای زهکش با استفاده از شبکه عصبی | ||
| مدل سازی در مهندسی | ||
| مقاله 18، دوره 16، شماره 52، فروردین 1397، صفحه 203-211 اصل مقاله (859.43 K) | ||
| نوع مقاله: پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22075/jme.2018.2935 | ||
| نویسندگان | ||
| حامد نوذری* ؛ سعید آزادی | ||
| دانشگاه بوعلی سینا همدان | ||
| تاریخ دریافت: 20 بهمن 1393، تاریخ بازنگری: 20 اردیبهشت 1395، تاریخ پذیرش: 05 تیر 1395 | ||
| چکیده | ||
| آگاهی از شوری لایههای خاک زیر زهکشها بویژه در مناطقی با آب زیرزمینی کم عمق و شور مانند خوزستان منجر به انتخاب و طراحی بهترین عمق و فاصله زهکش میشود. در تحقیق حاضر کاربرد روش شبیهسازی شبکه عصبی مصنوعی در پیشبینی روند تغییرات شوری آب زیرزمینی زیر لولههای زهکش آزموده شد. به منظور واسنجی و اعتباریابی نتایج مدل از دادههای جمعآوری شده از یک مدل آزمایشگاهی با ابعاد 8/1 در 1 در 2/1 متر استفاده گردید. در این مدل زهکشها در عمقهای 20، 40 و 60 سانتیمتری و در هر عمق در سه فاصله 60، 90 و 180 سانتیمتری نصب شدند. در روش شبکه عصبی مصنوعی از الگوریتم آموزش لونبرگ- مارکوارت با تابع انتقال سیگموئید، استفاده شد. پس از تجزیه و تحلیل آماری و محاسبه ریشه میانگین مربعات خطا، خطای استاندارد و ضریب همبستگی میزان برازش میان مقادیر واقعی و شبیهسازی شده تغییرات شوری آب زیرزمینی محاسبه شد. مقدار این شاخصها به ترتیب 27/5 دسیزیمنس بر متر، 12/0 و 96/0 برآورد گردید. مقادیر این شاخص ها برای شوری خروجی از زهکشها در اعماق و فواصل مختلف نسبت به زمان و با دبیهای 07/0، 11/0 و 14/0 لیتر بر ثانیه بهترتیب برابر با 34/0 دسیزیمنس بر متر، 09/0 و 99/0 میباشد. نتایج نشان داد روش شبکه عصبی مصنوعی در شبیهسازی روند تغییرات شوری آب زیرزمینی زیر لولههای زهکش و همچنین روند تغییرات شوری زه آب خروجی در اعماق و فواصل مختلف زهکش ها از دقت خوبی برخوردار است | ||
| کلیدواژهها | ||
| زهآب؛ زهکش زیرزمینی؛ شبیهسازی؛ مدل آزمایشگاهی | ||
| عنوان مقاله [English] | ||
| Predicting the Groundwater Salinity under Drain Pipes Using Artificial Neural Network | ||
| نویسندگان [English] | ||
| Hamed nozari؛ Saeed Azadi | ||
| چکیده [English] | ||
| Awareness of salinity of soil layers under drains, particularly in areas with shallow saline groundwater such as Khozestan leads to design the best depth and spacing drain. In this study the application of artificial neural network modeling to predicting of changes in groundwater salinity under drain pipes have been tested. In order to calibrate and validate the model results, data collected from experimental model with 1.8 m long, 1 m wide and 1.2 m high were used. In the model, drains were installed at 20, 40 and 60 cm depths and spacing of 60, 90 and 180 cm. In the method of artificial neural network, LevenbergMarquardt learning algorithm with SigmoidAxon transfer function was used. After statistical analysis and calculation of RMSE, the standard error and correlation coefficient, adjustment between measured and simulated values of changes in groundwater salinity was calculated. The value of these product indexes 5.27 ds/m, 0.12 and 0.96 was estimated respectively. Changes in drains salinity in different depths and spaces over time with discharges of 0.07, 0.11 and 0.14 lit/s are 0.34 dS/m, 0.09 and 0.99, respectively. The results showed that artificial neural network method on simulating of changes in groundwater salinity under drain pipes and also changes in drain water salinity in difference depths and spaces of drains have reasonable accuracy. | ||
| کلیدواژهها [English] | ||
| Drainage, Experimental model, Simulation, Underground drain | ||
| مراجع | ||
|
1 [ مریم نوابیان، عبدالمجید لیاقت، "طراحی بهینه سیستمهای زهکشی بر اساس مسایل زیست محیطی با استفاده از الگوریتم ژنتیک"، همایش ملی مدیریت شبکههای آبیاری و زهکشی دانشگاه شهید چمران اهواز، 12 تا 14 اردیبهشت، 1385 . [ 2 [ بیژن نظری، عبدالمجید لیاقت، مسعود پارسینژاد، عبد علی ناصری، "بهینهسازی عمق نصب زهکشهای زیرزمینی با ملاحظات اقتصادی و زیستمحیطی"، پنجمین کارگاه فنی زهکشی و محیط زیست کمیته ملی آبیاری و زهکشی ایران، 16 آبان 1387 . [3] I. Wesström, I. Messing, H. Linnér, J. Lindström, “Controlled drainage-effects on drain outflow and water quality”, Agricultural water management, Vol. 47, 2001, pp. 85-100. [4] J.W. Hornbuckle, E.W. Christen, R.D. Faulkner, “Evaluating a multi-level subsurface drainage system for improved drainage water quality”, Agricultural water management, Vol. 89, 2007, pp. 208–216. [ 5 [ حامد نوذری، عبدالمجید لیاقت، مجید خیاطخلقی، "شبیهسازی حرکت آب و نمکها در سامانه زهکشی زیرزمینی با استفاده از روش تحلیل پویایی سیستم" مجله آبیاری و زهکشی ایران، دوره 3 ، شماره 2 ، پاییز 1388 ، صفحه 39 - 28 . [ 6 [ حامد نوذری، عبدالمجید لیاقت، مجید خیاط خلقی، عسگر صدیقی، "شبیهسازی زهکش زیرزمینی در شرایط غیر ماندگار با استفاده از تکنیک تحلیل پویایی سیستم" مجله تحقیقات مهندسی کشاورزی، دوره 10 ، شماره 2 ، تابستان 1388 ، صفحه 86 - 71 . [ 7 [ فرهاد اصلانی، امیر حسین ناظمی، سید علی اشرف صدرالدینی، احمد فاخریفرد، محمد علی قربانی، "برآورد عمق و فاصلة مناسب زهکشهای زیرزمینی بر اساس کیفیت زهآب خروجی" مجله تحقیقات آب و خاک ایران، دوره 41 ، شماره 2 ، زمستان 1389 ، صفحه 146 - 139 . [ 8 [ فهیمه رضی، عباس ستودهنیا، پیمان دانشکار آراسته، مجتبی اکرم، "بررسی آزمایشگاهی تاثیر عمق نصب زهکش بر شوری زهآب خروجی از نیمرخ خاک رس سیلتی"، مجله تحقیقات آب و خاک ایران، دوره 43 ، شماره 3 ، زمستان 1391 ، صفحه 288 - 281 . [9] J.M. Bruton, R.W. Mcclendon, G. Hoogenboom, “Estimating daily pan evaporation with artificial neural network”, Thanks. ASCE, Vol. 43, 2000, pp. 492-496. [10] P. Licznar, M.A. Nearing, “Artificial Neural Networks for soil erosion and runoff prediction at the plot scale”, Catena, Vol. 51, 2003, pp. 89-114. [ 11 [ مینا آذرنوش، "مدلسازی تغییرات سطح ایستابی در خاک با استفاده از مدل drainmod و شبکه عصبی مصنوعی )مطالعه موردی خوزستان("، پایان نامه کارشناسی ارشد مهندسی آبیاری و زهکشی، دانشکده کشاورزی، دانشگاه تربیت مدرس، 1383 . [ 12 [ شهرام درخشان، وحید غلامی، زهرا درواری، "شبیهسازی شوری آب زیرزمینی با استفاده از شبکه عصبی مصنوعی ) ANN ( در سواحل استان مازندران"، مجله علوم و مهندسی آبیاری، دوره 36 ، شماره 2 ، تابستان 1392 ، صفحه 70 - 61 . [ 13 [ وحید غلامی، شهرام درخشان، زهرا درواری، "بررسی روش رگرسیون چند متغیره و شبکه عصبی مصنوعی ) ANN ( در شبیهسازی شوری آب زیرزمینی در سواحل استان مازندران"، مجله پژوهش آب در کشاورزی، جلد 26 ، شماره 3 ، 1391 ، صفحه 365 - 355 . [ 14 [ حسن اوجاقلو، حامد ابراهیمیان، عبدالمجید لیاقت، مسعود پارسی نژاد، "پیش بینی سطح ایستابی و شدت تخلیه سیستم زهکشی زیر زمینی با استفاده از شبکه عصبی مصنوعی"، دومین همایش ملی مدیریت شبکه های آبیاری و زهکشی دانشگاه شهید چمران اهواز، 8 تا 10 بهمن، 1387 . [15] K.P. Singh, A. Basant, A. Malik, G. Jain, “Artificial neural network modeling of the river water quality-A case study”, Ecological Modelling, Vol. 220, 2009, pp. 888-895. | ||
|
آمار تعداد مشاهده مقاله: 1,014 تعداد دریافت فایل اصل مقاله: 527 |
||