تماس با ما
گروه تلگرام ما
هشدارهای ما
آمار و اطلاعات
پروژه
دانلود آموزش پروژه محور پیش بینی کیفیت آب با شبکه عصبی مصنوعی و منطق فازی
درباره این پروژه:
پروژه حاضر به عنوان پیش بینی احتمال کاهش سالانه کیفیت آب شرب (استاندارد شاخص های شولر و WHO) بر پایه شاخص وقوع خشکسالی GRI با استفاده از شبکه عصبی مصنوعی و منطق فازی در محیط GIS است. محدوده مطالعاتی شامل تمام دشت های ایران است. به عبارتی دیگر در این پژوهش با استفاده از نتایج محاسبات روش شبکه عصبی مصنوعی و منطق فازی با بهره گیری از الحاقی ArcSDM، ابزار منطق فازی در محیط سامانه اطلاعات جغرافیایی و برنامه GeoXplore، شانس وقوع تغییرات سالیانه منفی در کلاس کیفیت آب شرب زیرزمینی به روش های تابع پایه شعاعی شبکه عصبی (RBFLN)، حدأکثر تابع چگالی احتمال شبکه عصبی (PNN) و خوشه بندی منطق فازی (FUC)، استخراج گردید. پایه مطالعات بر محاسبات لایه پتانسیل کیفیت آب شرب با روش AHP در محیط GIS و طبق استاندارد شولر و WHO بود. در نهایت روش محاسبات، گزارش روش و مواد بکار رفته در تحلیل ها، در قالب یک گزارش 64 صفحه ای به همراه تمام داده های محاسباتی آمده است.
تشریح مفاهیم کلی پروژه:
یکی از فاکتورهای مهم در مدیریت صحیح در هر زمینه ای داشتن یک دید و نگرش مناسب از اتفاقات آینده در آن بخش است. مدیریت منابع آب نیز از این امر مستثنی نبوده و آگاهی از وضعیت منابع آب در یک منطقه، نقش تعیین کننده ای در برنامه ریزی های آبی و کشاورزی آن دارد. بنابراین آگاهی از وضعیت آتی منابع آب، بخصوص در کلاس های استاندارد آب شرب، برای جوامع شهری و روستایی از اهمیت بالایی برخوردار است. با توجه به اشتراک مخازن تأمین آب با کاربری های متعدد بهره برداری از بخش سفره های زیرزمینی، پیش بینی تغییرات ممکن در غلظت پارامترهای کیفی، حدأقل به شکل سالانه جهت اتخاذ تدابیر مدیریتی مورد توجه است.
پیش بینی وقوع یک پدیده مکانی و منحصرا در این پژوهش، پیش بینی شانس تغییرات منفی کلاس شاخص کیفیت آب شرب منابع زیرزمینی، با توجه به پایه تجربی روابط پارامترها و متغیرها، عملا با قطعیت صد درصدی غیر ممکن است. پیش بینی در اینجا به معنی حدس با احتمال بالاتر بوده و بنابراین شانس وقوع تغییرات مطرح می باشد. یکی از راهکارهای توسعه و بسط روابط به شرایط آینده، استفاده از هوش مصنوعی است. شبکه های عصبی مصنوعی (ANNs) بخشی از این حیطه مطالعاتی حساب می گردند که با تشخیص روابط پیچیده و منحصر هر ساختار، از آن برای تولید داده آتی بهره می گیرند.
شبکه های عصبی مصنوعی، عملکردی شبیه به عملکرد مغز انسان دارند. مغز به عنوان یک سامانه پردازش اطلاعات با ساختار موازی، از حدود 100 تریلیون واحد پایه عصب (Neuron) مرتبط تشکیل شده است. عصب ها ساده ترین واحد ساختاری دستگاه های عصبی هستند. این شبکه ها برخلاف رایانه که نیازمند دستورهای کاملاً صریح و مشخص می باشند، به مدل های ریاضی محض نیازی ندارد، بلکه ابتدا تجربه کرده و سپس این تجربیات را تعمیم می دهند. امروزه این شبکه ها به ابزار قدرتمند و عمومی تبدیل شده اند که برای حل مسائل بسیار پیچیده همچون برآورد (Estimation)، تشخیص الگو (Pattern)، رده بندی و خوشه بندی (Clustering) به کار می روند و در طیف وسیعی از مباحث، کاربردهای عملی دارند.
شبکه های عصبی در واقع توسط یک سری محدود از داده های واقعی آموزش می بیند و چنانچه پارامترهای مؤثر بر پدیده مورد بررسی به صورت صحیح انتخاب و به شبکه داده شوند، می توان انتظار داشت که جواب های منطقی از شبکه دریافت شود. بدین ترتیب شبکه عصبی احتیاجی به تحلیل روابط رگرسیونی متغیرهای وابسته ندارد. البته خود این تحلیل نیازمند داشتن داده های پایه ای است که به دست آوردن آنها در بسیاری از موارد کار مشکلی می باشد. بنابراین شبکه عصبی مصنوعی می تواند مدل بهتری را با توجه به منابع داده های موجود ارائه دهد. در حال حاضر استفاده از شبکه عصبی کاربرد وسیعی در علوم مختلف از جمله علوم و مهندسی آب یافته است.
برای انجام پروژه در این زمینه و یا حیطه های دیگر هیدرولوژی و منابع آب در تماس باشید (09190622992).
شناسه تلگرام مدیر سایت: SubBasin@
نشانی ایمیل: behzadsarhadi@gmail.com
(سوالات تخصصی را در گروه تلگرام ارسال کنید)
_______________________________________________________
در منابع آب
نظرات (۰)