در طی دهه اخیر استفاده از شبکه های عصبی مصنوعی بطور روز افزونی در حیطه منابع آبی بویژه آبهای زیرزمینی در سراسر دنیا انجام شده است. با توجه به اینکه مدلهای شبکه عصبی نتایج خوبی ارائه می کنند استفاده از این مدلها در زمینه منابع آبی از مقبولیت خوبی برخوردار هستند. دراین فصل به بیان مختصری از کارها و تحقیقات قبلی در زمینه شبکه عصبی مصنوعی پرداخته شده است.
1-2- مروری بر تحقیقات انجام یافته
اخیراً از شبکه های عصبی مصنوعی که یکی از شاخه های هوش مصنوعی محسوب می شود، به عنوان روشی کارا در حل مسائل به روش معکوس به طور روز افزونی استفاده می شود.
از قرن نوزدهم به طور همزمان اما جداگانه از سویی نروفیزیولوژیستها سعی کردند سیستم یادگیری و تجزیه و تحلیل مغز را کشف کنند و از سوی دیگر ریاضیدانان تلاش کردند تا مدل ریاضی بسازند که قابلیت فراگیری و تجزیه و تحلیل عمومی مسائل را دارا باشد. اولین کوششها در شبیه سازی با استفاده از یک مدل منطقی توسط McCulloch and Pitts(1984) انجام شد که امروز بلوک اصلی سازنده‌ی اکثر شبکه های عصبی مصنوعی است . این مدل فرضیه‌هایی در مورد عملکرد نرونها ارائه می کند. عملکرد این مدل مبتنی بر جمع ورودیها و ایجاد خروجی است . چنانچه حاصل جمع ورودیها از مقدار آستانه بیشتر باشد اصطلاحا نرون برانگیخته می‌شود. نتیجه این مدل اجرای توابع ساده منطقی مثل OR وAND بود.
نه تنها نروفیزیولوژیستها بلکه روانشناسان و مهندسان نیز در پیشرفت شبیه سازی شبکه‌های عصبی تأثیر داشتند. اولین بار توسطRosenblatt (1985) شبکه پرسپترون معرفی شد. این شبکه نظیر واحدهای مدل شده‌ی قبلی بود. این سیستم میتواند یاد بگیرد که به ورودی داده شده خروجی تصادفی متناظر را اعمال کند.
سیستم دیگری از مدل خطی تطبیقی نرون توسط Widrow and Hoff(1960) به نام Adalalin ایجاد شد که اولین شبکه های عصبی بکار گرفته شده در مسائل واقعی بود. Adalaline یک دستگاه الکترونیکی بود که از اجزای ساده‌ای تشکیل شده بود روشی که برای آموزش استفاده می‌شد با پرسپترون فرق داشت.
کتابی توسط Minisky and Papert (1969) نوشته شد که محدودیتهای سیستمهای تک لایه و چند لایه پرسپترون را تشریح میکرد. نتیجه این کتاب پیشداوری و قطع سرمایه گذاری برای تحقیقات در زمینه شبیه سازی شبکه‌های عصبی بود. آنها با طرح اینکه طرح پرسپترون قادر به حل هیچ مساله مهمی نمی‌باشد تحقیقات در این زمینه را برای مدت چندین سال متوقف کردند.
با وجود اینکه اشتیاق عمومی و سرمایه گذاری های موجود به حداقل خود رسیده بود برخی محققان تحقیقات خود را برای ساخت ماشینهایی که توانایی حل مسائلی از قبیل تشخیص الگو را داشته باشند ادامه دادند. از جمله 1980))Grossberg که شبکه‌ای تحت عنوان Avalanch را برای تشخیص صحبت پیوسته و کنترل دست ربات مطرح کرد. همچنین او شبکه های ART(Adaptive resonance theory) را بنا نهاد که با مدلهای طبیعی تفاوت داشت. Anderson و Kohonen نیز از اشخاصی بود که تکنیکهایی برای یادگیری ایجاد کردند. Werbos(1974) شیوه آموزش پس انتشار خطا (Back Propagation) را ایجاد کرد که یک شبکه پرسپترون چند لایه البته با قوانین نیرومندتر آموزشی بود.
پیشرفتهایی که در 1970 تا 1980 بدست آمد برای جلب توجه به شبکه‌های عصبی بسیار مهم بود. برخی فاکتورها نیز در تشدید این مسئله دخالت داشتند از جمله کتابها و کنفرانسهای وسیعی که برای مردم در رشته‌های متنوع ارائه شد. امروز نیز تحولات زیادی در تکنولوژی ANN ایجاد شده است.
مقدمه1
فصل اول: مروری بر پیشینه پژوهش3
1-1- مقدمه3
1-2- مروری بر تحقیقات انجام یافته3
فصل دوم: روش پژوهش، ابزار و مواد11
2-1-مقدمه11
2-2- معرفی شبکه عصبی مصنوعی11
2-2-1- مزیت های شبکه های عصبی:11
2-2-2- کاربردهای شبکه عصبی:12
2-2-3- اجزای کلی شبکه عصبی مصنوعی13
2-2-4- ساختار های شبکه عصبی مصنوعی15
2-2-4-1- شبکه های پیشرو(Feedforward)15
2-2-4-2- شبکه های برگشتی(Backforward) 15
2-2-4-3- شبکه های شعاعی(Radial Basis Function Networks )16
2-2-5- معرفی انواع شبکه عصبی ساده: 16
2-2-5-1- پرسپترون(Perceptron)16
2-2-5-2- شبکه همینگ(Haming)17
2-2-5-3- شبکه هاپفیلد(Hopfield)17
2-2-6- الگوریتمهای مختلف آموزش17
2-2-6-1-الگوریتم لونبرگ-مارکورت (LM) Levenberg-Marquardt17
2-2-6-2-گرادیان نزولی انتشار خطا به عقب با ممنتم18
2-2-6-3-تنظیم بایزین (BR) Bayesian Regulazation18
2-2-7- تقسیم بندی شبکه ها از نظر نوع توابع عملگر18
2-2-8- تقسیم بندی شبکه ها از نظر نوع آموزش19
2-2-8-1- آموزش نظارت شده(Supervised)19
2-2-8-2- آموزش غیرنظارت شده(Unsupervised)19
2-2-9- آموزش شبکه های عصبی مصنوعی20
2-2-10- صحت سنجی21
2-2-11- معیار ارزیابی کارایی و خطای مدل22
2-3- ویژگیهای منطقه مورد مطالعه22
2-3-1- موقعیت جغرافیایی محدوده مورد مطالعه22
2-3-2- زمین شناسی منطقه مورد مطالعه:24
2-3-2-1- تشکیلات کرتاسه26
2-3-2-2- رسوبات نوع فلیش27
2-3-2-3- تشکیلات پالئوژن27
2-3-2-4- تشکیلات نئوژن27
2-3-2-5- رسوبات کواترنر28
2-3-3- زمینشناسی ساختمانی منطقه مورد مطالعه28
2-3-4- هواشناسی29
2-3-4-1- بارندگی29
2-3-4-2- درجه حرارت :32
2-3-4-3- تبخیر و تعرق33
2-3-4-4- رطوبت نسبی:34
2-3-4-5- طبقه بندی اقلیمی منطقه35
2-3-5- بررسی های اکتشافی دشت بیرجند37
2-3-5-1- مطالعات ژئوفیزیک37
2-3-5-2- نقشه هم ضخامت آبرفت38
2-3-5-3- نقشه مقاومت عرضی39
2-3-5-4- نقشه هم ارتفاع سنگ کف دشت بیرجند39
2-3-6- هیدروژئولوژی دشت بیرجند41
2-3-6- 1- بررسی ضرایب هیدرودینامیکی:41
2-3-6-2- رفتار سنجی چاههای مشاهده ای43
2-3-6-3- هیدروگراف واحد دشت53
2-3-7- نقشه های هیدروژئولوژی55
2-3-7-1- نقشه هم پتانسیل دشت بیرجند55
2-3-7-2- نقشه هم عمق دشت بیرجند57
2-3-7-3- نقشه هم افت دشت بیرجند58
2-3-8- بهره برداری از منابع آب زیرزمینی دشت بیرجند59
2-3-8-1- چاه59
2-3-8-2- چشمه61
2-3-8-3- قنات62
2-3-9- محاسبه بیلان دراز مدت آبخوان دشت بیرجند62
2-3-9-1- مدت یا دوره بیلان63
2-3-9-2- مجموعه ورودی آب زیرزمینی63
2-3-9-3- مجموعه خروجی آب زیرزمینی65
2-3-9-4- تغییرات حجم مخزن در دوره بیلان(∆X)66
2-3-10- محاسبه بیلان کوتاه مدت آبخوان آبرفتی دشت67
2-3-10-1- مدت یا دوره بیلان:67
2-3-10-2- مجموعه ورودی آب زیرزمینی:67
2-3-10-3- مجموعه خروجی آب زیرزمینی69
2-3-10-4- تغییرات حجم مخزن در دوره بیلان(∆X)70
فصل سوم: بحث، تجزیه و تحلیل71
3-1- مقدمه72
3-2- انجام آنالیز حساسیت و تعیین ساختار شبکه عصبی و پارامترهای موثر بر نوسانات سطح آب72
3-3- مدلسازی سطح آب زیرزمینی در چاه مشاهده ای محمدیه در منطقه مورد مطالعه79
3-4- مدلسازی سطح آب زیرزمینی در چاههای مشاهده ای موجود در منطقه مورد مطالعه83
3-5- پیش بینی سطح آب زیرزمینی در چاههای مشاهده ای موجود در منطقه مورد مطالعه91
3-6- پیش بینی سطح آب در مناطق فاقد چاه مشاهده ای در محدوده مورد مطالعه و ترسیم منحنی هم تراز99
فصل چهارم: نتیجه گیری و پیشنهاد114
4-1- نتیجه گیری114
4-2- پیشنهادها116
منابع و ماخذ117
Reference118
شامل 130 صفحه فایل word
دانلود پایان نامه کاربرد مدل شبکه عصبی مصنوعی در مدیریت منابع آب زیرمینی
