عنوان کلاس ها:

1- مطالعات فیزیوگرافی، تحلیل منطقه ای و مدل سازی سیلاب بر اساس پروژه کاربردی.

(نرم افزار GIS مدل های HMS و TUFLOW)

2- مطالعات آب زیرزمینی (مدل سازی کمی و کیفی) بر اساس پروژه کاربردی.

(محوریت مدل MODFLOW)

مدرس:

بهزاد سرهادی - مشاور شرکت مادر تخصصی مدیریت منابع آب ایران

تلفن تماس برای هماهنگی های بیشتر:

09190622992

به منظور تخمین دقیق تابع هدف، مدلسازی آب های زیرزمینی با MODFLOW و سایر کدها به صورت مدلسازی معکوس تعریف می شود که در آن پارامترهای کلیدی از طریق مقایسه نتایج مدل با داده های مشاهده شده محاسبه می شود. این فرایند مقایسه طولانی است، استفاده از معیارهای پذیرش و تحلیل روند متاثر شرایط مرزی است.

یک نمودار Piper یک روش گرافیکی موثر برای جدا کردن داده های تحلیلی مربوطه برای درک منابع مولکول های حل شده در آب است. این روش در این مطلب آمده است که اکثر آب های طبیعی حاوی کاتیون ها و آنیون ها در تعادل شیمیایی هستند. فرض بر این است که بیشترین فراوانی کاتیون ها کلسیم (کلسیم)، منیزیم (Mg) و سدیم (Na) هستند. شایعترین آنیون ها نیز بی کربنات (HCO3)، سولفات (SO4) و کلرید (Cl) هستند.

معرفی

این سند جریان پلاتفرم مدل سازی هیدرولوژیکی توزیع شده را توصیف می کند. wflow بخشی از پروژه OpenStreams Deltares است. Wflow شامل مجموعه ای از برنامه های پایتون می شود که می توانند در خط فرمان اجرا شوند و شبیه سازی های هیدرولوژیکی انجام دهند. این مدل ها بر اساس چارچوب PCRaster پایتون (www.pcraster.eu) است. در wflow این چارچوب گسترش یافته است (کلاس wf_DynamicFramework) به طوری که مدل های ساخته شده با استفاده از این چارچوب را می توان با استفاده از API کنترل کرد. لینک به BMI و OpenDA ایجاد شده است. تمام کد در github در دسترس است و تحت نسخه 3.0 GPL توزیع شده است.

در معرفی IGWMC و CSM باید گفت که اگر چه به قدرت ابزار هیدروژئولوژیکی نیستند، با این حال زبان برنامه نویسی Python به علت قابلیت های محاسباتی و گرافیکی آن در جامعه هیدرولوژیکی مورد علاقه است. بهتر از همه، اینکه آنها رایگانند. مکان خوبی برای یادگیری در مورد پایتون سایت توسعه دهنده آن به نشانی www.python.org است. دانلود برای چندین سیستم عامل در دسترس است. نسخه ای که در این بررسی در نظر گرفته شده در آدرس اینترنتی www.enthought.com قابل دسترس است که تحت ویندوز اجرا می شود.

به یک دوره آموزشی فراگیر و عمیق خوش آمدید.

هدف این درس این است که به شما یک درک کامل از یادگیری ماشین، نظریه پوشش، کاربرد و عملکرد درونی الگوریتم های یادگیری نظارت شده، بدون نظارت و یادگیری عمیق بدهد.

در این سری، رگرسیون خطی، نزدیک ترین K همسایگان، ماشین های بردار پشتیبانی (SVM)، خوشه تخت، خوشه بندی سلسله مراتبی و شبکه های عصبی را پوشش می دهیم.