پ۲۹۷۷۶
per
شبیه سازی شوری آب زیرزمینی با استفاده از روش رگرسیون چندمتغیره (MR) و شبکه عصبی مصنوعی (ANN) (مطالعه موردی : دشت مرند)
شبیه سازی شوری آب زیرزمینی با استفاده از روش رگرسیون چندمتغیره (MR) و شبکه عصبی مصنوعی (ANN) (مطالعه موردی : دشت مرند)
مهندسی عمران(پردیس دانشگاه تبریز)
۱۴۰۲
۱۲۵ص.
سی دی
کارشناسی ارشد
عمران گرایش محیط زیست
۱۴۰۲/۰۶/۲۰
مدل سازی مناسب کیفیت آب زیر زمینی یکی از ابعاد مهم تصمیم¬گیری در خصوص مدیرت منابع آب می باشد. در این تحقیق برای مدل سازی پارامترهای آب زیرزمینی از روشهای شبکه عصبی پرسپترون چند لایه(MLP)، شبکه عصبی شعاعی(RBF) و رگرسیون چندگانه خطی در محیط نرم افزاری IBM SPSS Modeler استفاده شد. از داده¬های سازمان آب منطقه ای استان آذربایجان شرقی برای 75 چاه دشت مرند در دوره¬های آماری 1382-1400 بعد ازخوشه¬بندی چاه¬ها در چهارخوشه، برای مدل سازی پارامترEC بهره گرفته شد.پس از بررسی میزان همبستگی پیرسون بین متغیرهای CL-So4-Hco3-PH-Ca-Mg-k-Na و پارامتر EC ، هشت متغیر مذکور به عنوان متغیرمستقل و پارامترEC به عنوان متغیر وابسته درنظر گرفته شدند. از معیارهای MAE,RMSE,R2,NS برای ارزیابی مدلها و روشهای بکاررفته در این تحقیق استفاده شد و در نهایت نتایج نشان میدهد که روش رگرسیون در مقایسه با روشهای شبکه عصبی از نظر چهارمعیار ارزیابی از عملکرد بهتری برخورداراست.
Appropriate modeling of underground water quality is one of the important dimensions of decision-making regarding water resources management. In this research, to model the parameters of groundwater using multilayer perceptron neural network methods (MLP) Radial Basis Function (RBF) and Multiple Linear Regression and It was used in the IBM SPSS Modeler software environment. From the data of East Azerbaijan Regional Water Organization for 75 wells of Marand plain in the statistical periods of 1382-1400 after clustering the wells into four clusters, EC parameters were used for modeling. After examining the perceptron correlation between the variables CL, So_4, Hco_3, PH, Ca, Mg, k, Na and Ec parameters; The mentioned eight variables were considered as independent variables and EC parameter as dependent variable.MAE, RMSE, R2 and NS criteria were used to evaluate the models and methods used in this research.And finally, the results show that the regression method has a better performance compared to the neural network methods in terms of the fourth evaluation criterion.
: Simulation of groundwater salinity using multivariate regression (MR) method and artificial neural network (ANN) (Case study: Marand plain)
هنرمند عظیمی،
محمد
تهیه کننده
تاری نژاد،
روشنگر،
رضا
کیومرث
استاد راهنما
استاد مشاور
تبریز
