تخمین ضریب توزیع خاک-آب فلزات سنگین با کاربرد شبکه های عصبی مصنوعی
نویسندگان
چکیده
آلودگی منابع آب و خاک یکی از چالش های مهم استفاده بهینه از این منابع در سرتاسر جهان است. ضریب توزیع (kd) نه تنها یک پارامتر کاربردی در مدلسازی انتقال آلاینده ها در خاک است، بلکه در ارزیابی ریسک آلودگی منابع آب و خاک نیز کاربرد دارد. مدل های پارامتریک، معمول ترین روش کمی برای تخمین kd هستند. لیکن معمولاً ضریب همبستگی این مدل ها اندک است. درحالیکه مقدار تخمینی این پارامتر می تواند باعث اشتباه قابل توجه در پیش بینی مهاجرت آلاینده ها در آبخوان و یا انتخاب روش پایش محیط آلوده شود. هدف از این پژوهش، بررسی توانایی شبکه های عصبی مصنوعی در مدلسازی ضریب توزیع فلزات سنگین و بهبود دقت تخمین آن بود. بدین منظور، سه نوع شبکه عصبی پرسپترون چند لایه (mlp)، توابع پایه شعاعی (rbf) و شبکه های سلسله مراتبی (hn) و دو فلز سنگین کروم و کادمیوم، برای مدلسازی انتخاب شدند. ابتدا داده های جمع آوری شده به دو دسته آموزش و آزمون تفکیک شدند که یک دسته برای آموزش شبکه ها بکار رفت و با دسته دیگر دقت شبکه های تعمیم یافته ارزیابی شد. بهترین هندسه شبکه نیز با روش آزمون و خطا بدست آمد. نتایج مدلسازی برای فلز کروم نشان داد که هر دو شبکه mlp و rbf، بسیار توانمند عمل کرده اند و برتری نسبی در تخمین kd با شبکه mlp بوده است. هرچند تعداد داده های کاربردی برای آموزش شبکه ها زیاد نبود (حداقل 9 و حداکثر 16 داده)، لیکن نتایج نشان داد که این تعداد کم برای مدلسازی کفایت می کند. این یافته گامی موثر در تخمین kd است چراکه افزون بر زمان بر و هزینه بر بودن اندازه گیری مستقیم آن، در هر پروژه نیز معمولاً تعداد اندکی نمونه در اختیار است. نتایج مدلسازی تخمین kd(cd) با شبکه های عصبی مصنوعی نیز نشان دهنده برتری شبکه mlp در مدلسازی بود. این شبکه ها توانستند مقدار ضریب همبستگی بین مقادیر واقعی و پیش بینی شده را به طور قابل-توجهی افزایش دهند و از 37/0 در مدل پارامتریک برازش داده شده به داده ها، به 63/0 برسانند.
منابع مشابه
کاربرد مدل سازی شبکه عصبی مصنوعی در تخمین ضریب دبی سرریزهای خطی
سرریزها از جمله سازه های مهم هیدرولیکی هستند که در کانال ها و شبکه های آبرسانی موارد استفاده فراوانی دارند. از رایج ترین انواع سرریزها می توان به سرریزهای مستطیلی، مثلثی و ذوزنقه ای اشاره نمود. در این مطالعه روشی بر اساس مدل سازی شبکه های عصبی مصنوعی، به منظور تعیین ضریب دبی این دسته از سرریزها که به علت داشتن تابع عرضی خطی تحت عنوان کلی سرریزهای خطی بیان شده اند، ارائه شده است. شبکه عصبی مصنوع...
متن کاملتخمین ضریب تبدیل شلتوک با استفاده از شبکه های عصبی مصنوعی در خشک کردن بستر سیال
The objective of this research was to predict head rice yield (HRY) in fluidized bed dryer using artificial neural network approaches. Several parameters considered here as input variables for artificial neural network affect operation of fluidized bed dryers. These variables include: air relative humidity, air temperature, inlet air velocity, bed depth, initial moisture content, final moisture...
متن کاملتخمین ضریب تبدیل شلتوک با استفاده از شبکه های عصبی مصنوعی در خشک کردن بستر سیال
The objective of this research was to predict head rice yield (HRY) in fluidized bed dryer using artificial neural network approaches. Several parameters considered here as input variables for artificial neural network affect operation of fluidized bed dryers. These variables include: air relative humidity, air temperature, inlet air velocity, bed depth, initial moisture content, final moisture...
متن کاملتخمین نسبت باربری کالیفرنیا خاک های مردابی بهسازی شده با استفاده از شبکه عصبی مصنوعی
امروزه استفاده از روش اختلاط عمیق برای بهبود روسازی جاده ها گسترش یافته است. یکی از مهمترین اهداف این روش ، افزایش ضریب باربری کالیفرنیا و کاهش نشست روسازی می باشد. در سال های اخیر، مدلسازی به وسیله هوش محاسباتی، جایگاه ویژه ای در مهندسی عمران پیدا کرده است وتخمین رفتار و فرایند مقاوم سازی که با پیچیدگی های فراوانی روبه رو بوده، تا حدودی به کمک این روش ها میسر شده است. هدف اصلی این تحقیق، ساخت ...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
عنوان ژورنال:
نشریه حفاظت منابع آب و خاک (علمی - پژوهشی)ناشر: دانشگاه آزاد اسلامی، واحد علوم و تحقیقات تهران
ISSN
دوره 2
شماره 1 2012
کلمات کلیدی
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023