| dc.contributor.author | دل ناز, عاطفه | fa_IR |
| dc.contributor.author | رخشنده‌رو, غلامرضا | fa_IR |
| dc.contributor.author | نیکو, محمد رضا | fa_IR |
| dc.date.accessioned | 1399-07-09T09:12:24Z | fa_IR |
| dc.date.accessioned | 2020-09-30T09:12:24Z | |
| dc.date.available | 1399-07-09T09:12:24Z | fa_IR |
| dc.date.available | 2020-09-30T09:12:24Z | |
| dc.date.issued | 2017-08-23 | en_US |
| dc.date.issued | 1396-06-01 | fa_IR |
| dc.date.submitted | 2016-08-26 | en_US |
| dc.date.submitted | 1395-06-05 | fa_IR |
| dc.identifier.citation | دل ناز, عاطفه, رخشنده‌رو, غلامرضا, نیکو, محمد رضا. (1396). کارایی مدل GRNN در قیاس با مدلهای ANN و RBF در تخمین پارامترهای آبخوان محبوس. هیدروژئولوژی, 2(1), 102-117. | fa_IR |
| dc.identifier.issn | 2588-3011 | |
| dc.identifier.issn | 2588-4069 | |
| dc.identifier.uri | https://hydro.tabrizu.ac.ir/article_5475.html | |
| dc.identifier.uri | https://iranjournals.nlai.ir/handle/123456789/357002 | |
| dc.description.abstract | <em>برای مدیریت صحیح منابع آب زیرزمینی، تخمین دقیقی از پارامترهای آبخوان لازم است. در این تحقیق، چندین مدل هوش مصنوعی شامل</em><em>ANN</em><em>، </em><em>GRNN</em><em> و </em><em>RBF</em><em> به‌منظور تخمین پارامترهای هیدرولیکی یک آبخوان محبوس تدوین شده است. </em><em>یکی از دلایل استفاده از مدلهای هوش مصنوعی در پیشبینی پارامترهای آبخوان، قابلیت انعطافپذیری بالای این مدلها، در حل مسائل غیرخطی میباشد. به‌منظور به‌کارگیری این مدلها، پس از جمعآوری </em><em>دادههای مربوط به آزمایش پمپاژ و کاهش بعد دادهها با روش آنالیز مؤلفههای اصلی، به آموزش و آزمایش مدلهای هوش مصنوعی مختلف پرداخته شده است. اگر خطای تابع چاه که متغیر خروجی مدلهای هوش مصنوعی است، در حد قابل قبول باشد</em><em>، </em><em>مقادیر پارامترهای آبخوان بهدست آورده میشود. مدلهای مذکور بر روی دادههای یک آزمایش پمپاژ در آبخوان محبوس آزمایش و نتایج آنها با نتایج روش گرافیکی منحنی تایس مورد مقایسه قرار گرفته است. با قیاس چندین شاخص خطای آماری برمبنای نتایج مدلهای هوش مصنوعی پیشنهادی و حل گرافیکی مدل تایس، عملکرد مدلهای مذکور، بررسی گردیده است. به‌عنوان مثال، میانگین قدر مطلق خطای نسبی در تخمین پارامترهای آبخوان برای مدل </em><em>ANN</em><em> و روش گرافیکی منحنی تایس، به ترتیب 5564/0 و 1320/1 درصد بوده است. همچنین در مقایسه مدلهای مختلف هوش مصنوعی به کار گرفته شده، مدل </em><em>GRNN</em><em> از دقت مطلوب و مدت زمان محاسباتی کمتری در تخمین پارامترهای آبخوان برخوردار است و میتواند به عنوان مدل برتر در تخمین پارامترهای آبخوان، برگزیده شود.</em> | fa_IR |
| dc.language | فارسی | |
| dc.language.iso | fa_IR | |
| dc.publisher | دانشگاه تبریز | fa_IR |
| dc.publisher | University Of Tabriz | en_US |
| dc.relation.ispartof | هیدروژئولوژی | fa_IR |
| dc.relation.ispartof | Hydrogeology | en_US |
| dc.subject | آزمایش پمپاژ | fa_IR |
| dc.subject | تخمین پارامترهای آبخوان | fa_IR |
| dc.subject | شبکه عصبی مصنوعی | fa_IR |
| dc.subject | شبکه‌های عصبی رگرسیونی تعمیم داده‌شده | fa_IR |
| dc.subject | مدلهای هوش مصنوعی | fa_IR |
| dc.title | کارایی مدل GRNN در قیاس با مدلهای ANN و RBF در تخمین پارامترهای آبخوان محبوس | fa_IR |
| dc.type | Text | en_US |
| dc.type | Research Paper | fa_IR |
| dc.contributor.department | دانشجوی کارشناسی ارشد سازه‌های هیدرولیکی، بخش مهندسی عمران و محیط‌زیست، دانشکده مهندسی، دانشگاه شیراز | fa_IR |
| dc.contributor.department | استاد بخش مهندسی عمران و محیط‌زیست، دانشکده مهندسی، دانشگاه شیراز | fa_IR |
| dc.contributor.department | استادیار بخش مهندسی عمران و محیط زیست دانشکده مهندسی دانشگاه شیراز | fa_IR |
| dc.citation.volume | 2 | |
| dc.citation.issue | 1 | |
| dc.citation.spage | 102 | |
| dc.citation.epage | 117 | |
