امروزه یکی از راه های تأمین آب در مناطق خشک و نیمه خشک و مقابله با بحران خشکسالی، احداث سدهای زیرزمینی به منظور ذخیره کردن آب های زیرزمینی است. سدهای زیرزمینی سازه هایی هستند که در مسیر جریان آب زیرزمینی ساخته شده و باعث بالا آمدن و ذخیره آب در مخزن خود می شوند. مهم ترین و اولین مشکل در احداث این سدها یافتن مکان مناسب برای احداث آن هاست. در این تحقیق سعی شده است تا با به کارگیری تکنیک های gis و استفاده از روش های فازی محل مناسب برای احداث سد زیرزمینی در دشت بتوند مشخص گردد. از جمله فاکتورهای مورد استفاده در این روش شیب، محیط غیراشباع، هدایت هیدرولیکی (k)، شوری آب زیرزمینی، عمق سطح ایستابی، چگالی زهکشی سطحی، ضخامت آبرفت، چاه-ها و گسل می باشند. اولین گام تشکیل یک بانک اطلاعاتی از لایه های موردنظر با استفاده از منابع موجود و بازدیدهای صحرایی بود. پس از تهیه لایه های مربوطه و اعمال توابع فازی بر آن ها در محیط arcgis، نقشه های معیار استانداردسازی شده به دست آمد. برای استانداردسازی از توابع فازی کوچک، فازی بزرگ و فازی خطی و ذوزنقه ای استفاده شد. از آنجایی که هر نقشه معیار تأثیر خاص خود را در انتخاب مکان مناسب برای احداث سد زیرزمینی دارد و میزان اهمیت نقشه های معیار در رسیدن به نتیجه یکسان نمی باشد، از این رو لازم است نقشه های معیار وزن دهی شوند. وزن هر معیار نشان دهنده میزان اهمیت و ارزش آن نسبت به معیارهای دیگر در عملیات مکان یابی است. پس از تشکیل ماتریس مقایسه زوجی و تکمیل آن توسط کارشناسان مربوطه، وزن هر معیار با توجه به توابع فازی اختصاص داده شده به آن، توسط برنامه نوشته شده در نرم افزار متلب براساس روش تحلیل سلسله مراتبی فازی محاسبه شده و در نقشه معیار مربوطه ضرب شد. آن گاه با استفاده از عملگر جمع فازی در محیطarcgis نقشه معیارها با هم تلفیق و مکان های مناسب برای احداث سد زیرزمینی بدست آمد. در نهایت برای اولویت بندی مناطق بدست آمده از روش فازی تاپسیس استفاده شد. با توجه به نقشه اولویت بندی شده می توان دریافت که مناطق مناسب احداث سد در قسمت شمالی دشت واقع شده اند.

یکی از چالش های مهم در مدل سازی وجود مقادیر کافی پارامترهای مورد استفاده است که برای مشخص کردن خواص فیزیکی و شیمیایی آبخوان به کار می رود.این پارامترها را می توان از آزمون پمپاژ و مطالعات ژئوفیزیک به دست آورد ولی مقادیر به‎ دست آمده از این روش فقط مربوط به بخش هایی است که درآنجا آزمون پمپاژ صورت گرفته،بنابراین برای پیش بینی این مقادیر مجبور به استفاده ازمدلهای جریان آب زیرزمینی و واسنجی مدل می شویم که این فرآیند نیازمند مدت زمان طولانی است.این در حالی است که شبکه های عصبی مصنوعی به عنوان مدلهای جعبه سیاه، ابزاری توانمند برای مدل سازی سیستم های غیرخطی بوده و قادرند روابط پیچیده حاکم بر چنین فرآیندهایی را مدل نمایند.از آنجایی که زمان یکی از عواملی است که جهان امروز به دنبال کاهش آن در رسیدن به اهداف مورد نظر می باشد، شبکه های عصبی مصنوعی امکان مدل سازی منابع آب زیرزمینی را با صرف زمان اندک با استفاده از اطلاعات و آمار موجود امکان پذیر ساخته اند. بدین منظور، مدل کمی آبهای زیرزمینی دشت اوان با مساحت بالغ بر 195 کیلومترمربع که در جنوب غرب شهرستان اندیمشک و در مسیر جاده اندیمشک به دهلران واقع شده است، با استفاده از نرم افزار gms7.1(کد modflow2000) تهیه گردید. ابتدا مدل طراحی شده در شرایط ماندگار در شهریور ماه 1389 به مدت یک ماه اجرا شد وواسنجی مدل با استفاده از شبکه عصبی صورت گرفت.به این صورت که سطح آب هر سلول به همراه سطح آب هشت گره اطراف سلول ومختصات هریک از سلولها به عنوان ورودی وهدایت هیدرولیکی به عنوان خروجی به شبکه داده شد و شبکه آموزش پیدا کرده ومقادیر هدایت هیدرولیکی را تخمین زد.در شرایط ناماندگارنیز برای 12 ماه از مهر 1389 تا شهریور 1390 مدل اجرا شد وبرای واسنجی مدل علاوه بر پارامترهای ورودی ذکر شده زمان نیز به عنوان ورودی به شبکه معرفی شد و ضریب ذخیره به عنوان خروجی به شبکه معرفی گردید و با آموزش شبکه مقادیر ضریب ذخیره تخمین زده شد ومدل واسنجی گردید. نتایج نشان می دهد بهترین نوع شبکه برای هر دو حالت پایدار و ناپایدار، شبکه ffn-lm می باشد. صحت سنجی مدل نیز کارآیی شبکه عصبی را در شبیه سازی سطح آب زیرزمینی دشت اوان تایید می نماید.

شبکه های عصبی از توانایی بالایی در استخراج الگوها از میان داده ها و همچنین حل مسائل پیچیده با ماهیت طبیعی برخوردار هستند. شبکه های عصبی در واقع از ساختارهای بسیار پیچیده مغز انسان الهام گرفته شده است. هدف این پژوهش، بهینه کردن ساختار شبکه مورد استفاده و ارائه روند بهینه سازی ساختاری آن برای تهیه نقشه های پتانسیل معدنی و همچنین شناسایی بهتر مکان-های مناسب حفاری کانسار مس علی آباد یزد است. منطقه مورد بررسی در جنوب باختری یزد در چهارگوش زمین شناسی 1:100000 خضرآباد قرار دارد. این منطقه به لحاظ چینه شناسی از زون ایران مرکزی پیروی می کند و فعالیت های ماگمایی و زمین ساختی آن با زون ارومیه- دختر همخوانی دارد. کانسار مورد مطالعه در فاصله 2 کیلومتری روستای دامک علی آباد واقع شده و راه اصلی دسترسی به آن، جاده آسفالته یزد- تفت- علیآباد میباشد. جهت رسیدن به بهترین ساختار برای شبکه عصبی مصنوعی داشتن کمترین میزان خطای میانگین مربعات (که نشانه هوشمندی آن است) برای شبکه عصبی ضروری است. جمع آوری داده ها برای شبکه عصبی مصنوعی بدون شک یکی از حساس ترین مراحل این رساله بوده است. ابتدا بایستی تمامی ?یههای اط?عاتی مورد نیاز که در مرحلهی تعیین فاکتورهای تشخیص کانیسازی تعیین شدهاند، جمعآوری و مطابق با استاندارد پایگاه داده مکانی (gis) آمادهسازی شوند. ?یههای اط?عاتی مورد نظر شامل دگرسانی گرمابی، نشانه های معدنی محلی، گسل های اصلی و فرعی، آنومالی مس، هم بارپذیری ژئوفیزیک، توپوگرافی و مختصات طول و عرض جغرافیایی منطقه می باشد. پس از آماده سازی داده های ورودی و خروجی شبکه عصبی، به وسیله داده های آموزشی در محیط نرم افزار matlab، آموزش داده شدند. آموزش شبکه شبیه کالیبراسیون است که در بیشتر مدل ها استفاده می شود. سپس ورودی هایی که برای آزمایش مدل مورد نظر هستند به شبکه وارد می شوند و خروجی های حاصل از مدل برای محاسبه مدل ایجاد شده مورد بررسی و تجزیه و تحلیل قرار می گیرند. نتایج این مطالعه بیانگر آن است که در الگوریتم-های مورد استفاده الگوریتم scg بهترین کارایی را نشان می دهد. نتایج حاصل از روش سعی و خطا نشان داد که شبکه هایی با الگوریتم scg نتایج بهتری نسبت به شبکه هایی با دیگر الگوریتم ها، که مورد استفاده قرار گرفته است دارد و شبکه های ساخته شده با الگوریتم آموزشی lm نیز دارای بازده بالایی از نظر آموزش شبکه می باشند.

یکی از نیازهای اصلی در مطالعات تفصیلی مواد معدنی، ایجاد مدلی جهت تعیین نقاط بهینه حفاری به منظور کاهش هزینه های مدلسازی در شکل و موقعیت توده های معدنی است. امروزه زمین شناسان با بهره گیری از روش بهینه سازی شبکه های عصبی مصنوعی، این نیاز را پاسخ داده اند. این در حالی است که شبکه های عصبی مصنوعی به عنوان مدلهای جعبه سیاه، ابزاری توانمند برای مدل سازی سیستم های غیر خطی بوده و قادرند روابط پیچیده حاکم بر چنین فرآیندهایی را مدل نمایند. دقت اجرای این شبکه ها در حالت وابستگی متغیرهای ورودی و حتی وجود نوفه در داده ها مناسب بوده و با امکان آموزش پذیری دوباره در هنگام ورود داده های جدید، انعطاف-پذیری بالایی دارند. از آنجایی که زمان یکی از عواملی است که جهان امروز به دنبال کاهش آن در رسیدن به اهداف مورد نظر می باشد، شبکه عصبی امکان مدل سازی مکانهای بهینه حفاری را با صرف زمان اندک امکان پذیر می سازد. داده های مورد استفاده برای این هدف اطلاعات مربوط به گمانه های اکتشافی منطقه دره زرشک شامل: نقشه های زمین شناسی، گسل، دگرسانی، مختصات جغرافیایی و توپوگرافی موجود درمنطقه به عنوان ورودی و عیار مس در هرگمانه به عنوان خروجی (هدف) می باشد. در ادامه داده های موجود پس از نرمال سازی آماده ورود به شبکه شدند. سپس شبکه ای طراحی و پارامترهای موثر در آموزش شبکه اعمال و بهترین شرایط (ضریب رگرسیونی بالا و مجذور متوسط خطا پایین) بدست آمده است. در آموزش شبکه از شش الگوریتم lm, rp, gdm, scg, bfg وcgb استفاده شده است. نتایج مقایسه بهترین توابع با ساختار بهینه در هر الگوریتم نشان می دهد که بهترین نوع شبکه طراحی شده، شبکه fnn-scg است. این شبکه دارای کمترین مجذور خطا و بیشترین ضریب همبستگی بین داده های خروجی و هدف شبکه آموزش دیده در سه گروه آموزش، آزمایش و صحت سنجی می باشد. میزان صحت سنجی شبکه های مذکور کارایی آنها را در مدل سازی و تخمین ذخیره مس دره زرشک تایید می نماید.