دانشگاه شهید چمران

 آمار

تعداد نشریات30
تعداد شماره‌ها956
تعداد مقالات8,323
تعداد مشاهده مقاله8,754,093
تعداد دریافت فایل اصل مقاله6,924,298
نخعی, محمد, صابری نصر, امیر. (1391). پیش‌بینی نوسانات سطح آب زیرزمینی دشت قروه با استفاده از شبکه عصبی- موجکی و مقایسه آن با مدل عددی MODFLOW. سامانه نشریات, 2(2), 47-58.
محمد نخعی; امیر صابری نصر. "پیش‌بینی نوسانات سطح آب زیرزمینی دشت قروه با استفاده از شبکه عصبی- موجکی و مقایسه آن با مدل عددی MODFLOW". سامانه نشریات, 2, 2, 1391, 47-58.
نخعی, محمد, صابری نصر, امیر. (1391). 'پیش‌بینی نوسانات سطح آب زیرزمینی دشت قروه با استفاده از شبکه عصبی- موجکی و مقایسه آن با مدل عددی MODFLOW', سامانه نشریات, 2(2), pp. 47-58.
نخعی, محمد, صابری نصر, امیر. پیش‌بینی نوسانات سطح آب زیرزمینی دشت قروه با استفاده از شبکه عصبی- موجکی و مقایسه آن با مدل عددی MODFLOW. سامانه نشریات, 1391; 2(2): 47-58.

پیش‌بینی نوسانات سطح آب زیرزمینی دشت قروه با استفاده از شبکه عصبی- موجکی و مقایسه آن با مدل عددی MODFLOW

زمین شناسی کاربردی پیشرفته
مقاله 5، دوره 2، شماره 2، تیر 1391، صفحه 47-58    اصل مقاله (1.29 M)
نوع مقاله: مقاله پژوهشی
نویسندگان
محمد نخعی1؛ امیر صابری نصر* 2
1عضو هیت علمی گروه زمین شناسی دانشگاه خوارزمی
2دانشجوی دکتری هیدروژئولوژی دانشگاه خوارزمی
چکیده
آبهای زیرزمینی یکی از منابع مهم تأمین آب در تمام دنیا به شمار می رود. در سالهای اخیر با توجه به مشکل کمبود منابع آب ، مساله استفاده و مدیریت بهینه از این منابع لازم است که مشخص شده است. به منظور آگاهی از وضعیت این منابع و مدیریت بهینه آنها ، لازم است پیشبینی شود از نوسانات سطح آب زیرزمینی صورت گرفته است. این نوسانات از عوامل مختلفی است که از جمله آنها ، عوامل آب و هوایی (حرارت ، میزان بارندگی ، تبخیر) ، میزان تخلیه و تغذیه از سفر و ... را فراهم می کند. مدل های متنوع موجود در پیشبینی نوسانات سطح آب زیرزمینی ارائه شده است اما روشی که در چند سال مورد توجه مهندسین هیدروژئولوژی قرار گرفته است ، استفاده از روشی ترکیبی به نام شبکه های عصبی موجکی موجود است. در این تحقیق نخست مبانی این شبکه بیان شده است ، سپس با بهره برداری از آن به مطالعه موردی دشت قروه پرداخت شده است. در نهایت نتایج این مدل با نتایج حاصل از مدل عددی MODFLOW مقایسه شده است.
 
کلیدواژه‌ها
کلمات کلیدی: دشت قروه؛ سطح آب زیرزمینی؛ شبکه‌ عصبی-موجکی؛ MODFLOW
مراجع

باجگیرانی. ع.، شریفی. م.، فغفور مغربی. م.، عارفی‌جمال. ع.، 1389، استفاده از تبدیلات فوریه و موجک برای استخراج هیدروگراف واحد لحظه‌ای، تحقیقات منابع آب ایران، شماره 6(2)، ص 27-35.

رستمی. ص.، 1389، بررسی تاثیر طرح تغذیه مصنوعی رودخانه ویهج بر روی پتانسیل آبهای زیرزمینی دشت قروه، پایان‌نامه کارشناسی ارشد رشته زمین‌شناسی گرایش آب‌شناسی، دانشکده علوم، دانشگاه تربیت معلم تهران.

کلر. و.، 2004. ترجمه صفری. ع.، و شریفی. م.، 1388. موجک‌ها با کاربرد در ژئودزی و ژئودینامیک، انتشارات دانشگاه تهران.

نورانی. و.، حسن‌زاده. ی.، کماسی. م.، شرقی. ا.، 1387، مدل‌سازی بارش-رواناب با مدل ترکیبی موجک- شبکه عصبی مصنوعی، چهارمین کنگره ملی مهندسی عمران، دانشگاه تهران.

Adamowski. J., Chan. H.F., 2011, A wavelet neural network conjunction model for groundwater level forecasting, Journal of Hydrology, Vol: 407, p: 28–40.

Anderson, M.P. & Woessner, W.W. 1992. Applied Groundwater Modeling. Academic Press. San Diego.

Banerjee. P., Singh. V.S., Chatttopadhyay. K., Chandra. P.C., Singh. B., 2011, Artificial neural network model as a potential alternative for groundwater salinity forecasting, Journal of Hydrology, Vol: 398, p: 212–220.

Bidwell. V.J., 2005, Realistic forecasting of groundwater level, based on the eigenstructure of aquifer dynamics, Mathematics and Computers in Simulation, Vol: 69, p: 12–20.

Bowden. G.J., Nixon. J.B., Dandy. G.C., Maier. H.R., Holmes. M., 2006, Forecasting chlorine residuals in a water distribution system using a general regression neural network, Mathematical and Computer Modelling, Vol: 44, p: 469-484.

Cannas, B., Fanni, A., See, L., Sias, G., 2006, Data preprocessing for river flow forecasting using neural networks: wavelet transforms and partitioning, Physics and Chemistry of the Earth, Vol: 31 (18), p: 1164-1171.

Daliakopoulos. I.N., Coulibaly. P., Tsanis. I.K., 2005, Groundwater level forecasting using artificial neural networks, Journal of Hydrology, Vol: 309, p: 229–240.

Garcia. L.A., Shigidi. A., 2006, Using neural networks for parameter estimation in ground water, Journal of Hydrology, Vol: 318, p: 215-231.

Gemitzi. A., Stefanopoulos. K., 2011, Evaluation of the effects of climate and man intervention on ground waters and their dependent ecosystems using time series analysis, Journal of Hydrology, Vol: 403, p: 130–140.

Holschneider. M., 1995, Wavelets; an Analysis Tool, Clarendon Press, Oxford.

Kaiser. G., 1994, A friendly guide to wavelets. Published by Birkhäuser, Department of mathematics, university of Massachusetts at Lowell, p: 300.

Lallahem. S., Mania. J., Hani. A., Najjar. Y., 2005, On the use of neural networks to evaluate groundwater levels in fractured media, Journal of Hydrology, Vol: 307, p: 92–111.

Leaver. J.D., Unsworth. C.P., 2007, Fourier analysis of short-period water level variations in the Rotorua geothermal field, New Zealand, Geothermics, Vol: 37, p: 539-557.

Maheswaran, R., & Khosa, R. 2012, Comparative study of different wavelets for hydrologic forecasting, Computers & Geosciences, Vol: 46, p: 284-295.

Mallat. S., 1998, A Wavelet Tour of Signal Processing. San Diego, CA: Academic Press.

Mohammadi. K., 2008, Groundwater table estimation using MODFLOW and Artificial Neural Networks, Water Science and Technology Library, Vol: 68, No: 2, p: 127-138.

Nourani. V., Alami. M.T., Aminfar. M.H., 2009, A combined neural-wavelet model for prediction of lighvanchai watershed precipitation, Journal of Artificial Intelligence, Vol: 22, p: 466-472.

Nourani. V., Komasi. M., Mano. A., 2009, A Multivariate ANN-Wavelet Approach for Rainfall–Runoff Modeling, Water Resources Management, Vol: 23, p: 2877–2894.

Partal, T., Cigizoglu, H.K., 2008, Estimation and forecasting of daily suspended sediment data using wavelet-neural networks, Journal of Hydrology, Vol: 358(3–4), p: 317–331.

Partal. T., Kisi. O., 2007, Wavelet and neuro-fuzzy conjunction model for precipitation forecasting, Journal of Hydrology, Vol: 342, p: 199-212.

Pulido-Calvo. I., Montesinos. P., Roldan. J., Ruiz-Navarro. F., 2007, Linear regression and neural approaches to water demand forecasting in irrigation districts with telemetry systems, Biosystems Engineering, Vol: 67, p: 283-293.

Quiroz. R., Yarleque. C., Posadas. A., Mares. V., Immerzeel. W.W., 2011, Improving daily rainfall estimation from NDVI using a wavelet transform, Environmental Modelling and Software, Vol: 26, p: 201-209.

Rajaee, T., 2011, Wavelet and ANN combination model for prediction of daily suspended sediment load in rivers, Science of the Total Environment, Vol: 409, p: 2917–2928.

Shan. X., Burl. J., 2011, Continuous wavelet based linear time-varying system identification, Signal Processing, Vol: 91, p: 1476-1488.

Triana. E., Labadie. J.W., Gates. T.K., Anderson. C.W., 2010, Neural network approach to stream-aquifer modeling for improved river basin management, Journal of Hydrology, Vol: 391, p: 235–247.

Wang. W., Jin. J., Li. Y., 2009, Prediction of Inflow at Three Gorges Dam in Yangtze River with Wavelet Network Model, Water Resources Management, Vol: 23, p: 2791–2083.

Wang. W. Ding. S., 2003, Wavelet network model and its application to the predication of hydrology, Nature and Science, Vol: 1, No: 1, p: 67-71.

Yang. Z.P., Lu. W.X., Long. Y.Q., Li. P., 2009, Application and comparison of two prediction models for groundwater levels: A case study in Western Jilin Province, China, Journal of Arid Environments, Vol: 73, p: 487–492.

Zhou. H.C., Peng. Y., Liang. G.H., 2008, The Research of Monthly Discharge Predictor-corrector Model Based on Wavelet Decomposition, Water Resources management, Vol: 22, p: 217–227.

آمار
تعداد مشاهده مقاله: 1,595
تعداد دریافت فایل اصل مقاله: 1,587


سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب