نتایج جستجو

9

نتیجه یافت شد

مرتبط ترین ها

اعمال فیلتر

به روزترین ها

اعمال فیلتر

پربازدید ترین ها

اعمال فیلتر

پر دانلودترین‌ها

اعمال فیلتر

پر استنادترین‌ها

اعمال فیلتر

تعداد صفحات

1

انتقال به صفحه



فیلترها/جستجو در نتایج    

فیلترها

سال

بانک‌ها


گروه تخصصی





متن کامل


مرکز اطلاعات علمی SID1
مرکز اطلاعات علمی SID
اسکوپوس
مرکز اطلاعات علمی SID
ریسرچگیت
strs
اطلاعات دوره: 
  • سال: 

    2019
  • دوره: 

    6
  • شماره: 

    2
  • صفحات: 

    92-99
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    1327
  • دانلود: 

    1436
چکیده: 

A reliable model for any wastewater treatment plant (WWTP) is essential to predict its performance and form a basis for controlling the operation of the process. This would minimize the operation costs and assess the stability of environmental balance. This study applied artificial neural network-genetic algorithm (ANN-GA) and co-active neuro-fuzzy logic inference system (canfis) in comparison with ANN for predicting the performance of WWTP. The result indicated that the GA produces more accurate results than fuzzy logic technique. It was found that GA components increased the ANN ability in predicting WWTP performance. The normalized root mean square error (NRMSE) for ANN-GA in predicting chemical oxygen demand (COD), total suspended solids (TSS) and biochemical oxygen demand (BOD) were 0. 15, 0. 19 and 0. 15, respectively. The corresponding correlation coefficients were 0. 891, 0. 930 and 0. 890, respectively. Comparing these results with other studies showed that despite the slightly lower performance of the current model, its requirement for a lower number of input parameters can save the extra cost of sampling.

آمار یکساله:  

بازدید 1327

دانلود 1436 استناد 0 مرجع 0
اطلاعات دوره: 
  • سال: 

    1395
  • دوره: 

    69
  • شماره: 

    2
  • صفحات: 

    397-410
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    93
  • دانلود: 

    49
چکیده: 

داده کاوی این فرصت را فراهم می کند تا داده های موجود از خاک، به مناطق دور از دسترس تعمیم داده شوند و داده های خاک را در طیفی از مقیاس ها، متراکم کرده و یا گسترش داد، بطوریکه می توان آن را به عنوان یکی از دستاوردهای با ارزش در جهت کمک به تصمیم گیری صحیح مدیران اجرایی تلقی نمود. ظرفیت تبادل کاتیونی (CEC) یکی از مهمترین ویژگی های شیمیایی خاک هاست که توانایی خاک در ذخیره عناصر غذایی و یا عناصر آلاینده در خاک را نشان می دهد. اندازه گیری CEC خاک های مناطق گرم و خشک با دارا بودن خصوصیاتی مانند مواد آلی پایین و کانی شناسی خاص، به روش های معمول سخت و زمان بر است، لذا در این تحقیق از روش (canfis (Coactive Neuro-Fuzzy Inference Systems جهت برآورد ظرفیت تبادل کاتیونی برخی خاک های مناطق خشک و نیمه خشک استفاده گردید. در این تحقیق از 85 نمونه خاک (بانک داده های خاک هدف) موجود در پایگاه داده های خاک (440 نمونه خاک مرجع) به نسبت 1:5 استفاده شد. به منظور بررسی همراستایی در داده ها، همبستگی بین متغیر های مستقل مورد بررسی قرار گرفت و با استفاده از روش رگرسیونی حذف پیشرو، مهمترین و تاثیرگذارترین مولفه های ورودی بر نتایج خروجی، انتخاب گردید. نتایج این تحقیق نشان داد که روش canfis دارای قابلیت و کارایی زیادی در تخمین ظرفیت تبادل کاتیونی خاک با استفاده از ویژگی های زودیافتی مانند بافت خاک، ماده آلی و تصاویر ماهواره ای می باشد.

آمار یکساله:  

بازدید 93

دانلود 49 استناد 0 مرجع 0
اطلاعات دوره: 
  • سال: 

    1397
  • دوره: 

    9
  • شماره: 

    17
  • صفحات: 

    119-131
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    118
  • دانلود: 

    53
چکیده: 

در این پژوهش شبکه عصبی مصنوعی canfis و پرسپترون چندلایه (MLP) در برآورد بار رسوب حوزه زشک ابرده شهرستان شاندیز مورد ارزیابی قرار گرفت. بدین منظور سه سناریو شبیه سازی شد. به منظور شبیه سازی سناریوی S1 از ورودی دبی آب، سناریوی S2از دبی آب و باران روزانه و سناریوی S3از ورودی دبی آب، باران و دمای روزانه استفاده گردید. نتایج نشان داد سناریوی S3_canfis با معماری تابع عضویت بل، تابع انتقال تانژانت هایپربولیک و قانون آموزش لونبرگ مارکوارت باNSE (ضریب نش) برابر با 743/0 و AM (سنجه جمعی) برابر با 806/0 نسبت به S2_canfis و S1_canfis کارایی بهتری در پیش بینی بار رسوبی دارد. نتایج شبکه MLPحاکی از این است که سناریوی S2_MLP با معماری 5 نورون مخفی در 2 لایه پنهان، تابع انتقال سیگموئید و قانون یادگیری مومنتم با NSE برابر با 604/0 و AM برابر با 626/0 در مقایسه با سایر سناریوهایMLP بهتر عمل کرده است. ازآنجایی که شبکه MLP در مقایسه با شبکه canfis عملکرد ضعیف تری را در برآورد میزان رسوب نشان داد، از الگوریتم ژنتیک برای آموزش و تعیین بهینه پارامترهای معماری شبکه S2_MLP کمک گرفته شد. نتایج نشان داد که الگوریتم ژنتیک با ضریب نش-ساتلکیف برابر با 658/0 و AM برابر با 655/0 نسبت به مدل MLP عملکرد بهتری داشته است. با مقایسه شبکه عصبی canfisبا MLP-GA مشخص می شود که canfis عملکرد بهتری را در پیش بینی رسوب حوزه نسبت به سایر شبکه ها داشته است. اما بااین وجود درمجموع شبکه عصبی در این حوزه کارایی کاملاً رضایت بخشی را در پیش بینی دقیق بار رسوبی نشان ندادکه این می تواند ناشی از کمبود داده های آموزشی (به ویژه مقادیر حدی) و غیردقیق بودن و وجود خطا در آمار حوزه باشد.

آمار یکساله:  

بازدید 118

دانلود 53 استناد 0 مرجع 0
گارگاه ها آموزشی
نشریه: 

خشک بوم

اطلاعات دوره: 
  • سال: 

    1394
  • دوره: 

    5
  • شماره: 

    2
  • صفحات: 

    51-66
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    48
  • دانلود: 

    28
چکیده: 

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

آمار یکساله:  

بازدید 48

دانلود 28 استناد 0 مرجع 0
اطلاعات دوره: 
  • سال: 

    1392
  • دوره: 

    20
  • شماره: 

    4
  • صفحات: 

    1-25
تعامل: 
  • استنادات: 

    1
  • بازدید: 

    185
  • دانلود: 

    37
چکیده: 

در امر مدیریت پایدار منابع آب تجدیدپذیر در سطح یک آب خوان، تخمین سطح آب زیرزمینی از اهمیت زیادی برخوردار است. در این پژوهش از روش های هوشمند عصبی در قالب شبکه عصبی پرسپترون چندلایه، تابع پایه شعاعی، عصبی فازی و عصبی ژنتیک برای تخمین مقادیر نقطه ای سطح ایستابی در دشت همدان- بهار استفاده شد. به منظور برآورد سطح ایستابی در نقاط بدون اندازه گیری، مقادیر برآورد نقطه ای هر یک از روش های هوشمند عصبی در محیط زمین آمار کریجینگ پهنه بندی شد. در مجموع دقت روش های مورد استفاده بر حسب خطای کم تر مقادیر سطح ایستابی برآوردی به ترتیب به روش های عصبی ژنتیک، پرسپترون چندلایه، تابع پایه شعاعی و عصبی فازی تعلق داشت. به طوری که مجذور میانگین مربعات خطای روش عصبی ژنتیک در برآورد تغییرات مکانی سطح ایستابی برابر 0.431 متر با ضریب تبیین 0.996 بود. بیش ترین مقدار خطا به برآوردهای مدل شبکه عصبی فازی با خطای 1.27 متر و مدل شبکه تابع پایه شعاعی با خطای 0.81 متر تعلق داشت. هم چنین مقایسه تغییرات مکانی سطح ایستابی برآوردی از روش عصبی ژنتیک در محیط زمین آمار کریجینگ با مقادیر مشاهده ای نشان دهنده کاهش پراکنش نقاط و باریک تر بودن محدوده اطمینان 90 درصد بود. از این رو با استفاده از طول و عرض جغرافیایی به عنوان بردار اطلاعات ورودی، می توان به دقت اطلاعات بالا در برآورد تغییرات مکانی و پهنه بندی مقادیر سطح ایستابی اطمینان به دست آورد.

آمار یکساله:  

بازدید 185

دانلود 37 استناد 1 مرجع 0
اطلاعات دوره: 
  • سال: 

    1395
  • دوره: 

    13
  • شماره: 

    53
  • صفحات: 

    33-45
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    80
  • دانلود: 

    64
چکیده: 

لطفا برای مشاهده چکیده به متن کامل (PDF) مراجعه فرمایید.

آمار یکساله:  

بازدید 80

دانلود 64 استناد 0 مرجع 0
strs
اطلاعات دوره: 
  • سال: 

    1397
  • دوره: 

    18
  • شماره: 

    48
  • صفحات: 

    165-182
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    725
  • دانلود: 

    247
چکیده: 

مدل سازی به عنوان روشی کارآمد با کم ترین هزینه، امکان مطالعه پیچیدگی جریان آب زیرزمینی را برای مدیران فراهم می نماید. هدف این تحقیق مقایسه مدل عددی، روش های هوشمند عصبی و زمین آمار در مدل سازی تغییرات سطح آب زیرزمینی می باشد. بدین منظور اطلاعات آبخوان دشت همدان – بهار به عنوان یکی از مهم ترین منابع تامین آب منطقه، مورد مطالعه قرار گرفت. در این پژوهش از کد عددیMODFLOW در نرم افزار GMS، شبکه عصبی مصنوعی و روش عصبی - فازی در نرم افزار NeuroSolution، روش عصبی – موجک در نرم افزارMATLAB و روش زمین آمار در نرم افزار ArcGIS استفاده گردید. مقایسه نتایج نشان داد که دقت روش های محاسبه سطح آب زیرزمینی برحسب کم ترین آماره مجذور میانگین مربعات خطای نرمال (NRMSE)، به ترتیب به روش عصبی - موجک، عصبی – فازی، زمین آمار، شبکه عصبی مصنوعی و مدل عددی تعلق داشت. به طوری که مقدار آماره NRMSE در روش عصبی - موجک به عنوان روش بهینه، برابر 0/11درصد و در روش مدل عددی برابر 2/2 درصد بدست آمد. مقدار ضریب همسبتگی روش های فوق به ترتیب 0/998و 0/904بود. بنابراین می توان کاربرد روش های ترکیبی هوشمند عصبی به ویژه نظریه موجک را در محاسبه سطح آب زیرزمینی مناسب تر از روش زمین آمار و مدل عددی دانست. ضمن آن که در روش های هوشمند عصبی از متغیرهای زودیافت طول و عرض جغرافیایی و ارتفاع از سطح دریا به عنوان بردار اطلاعات ورودی استفاده شد . نتایج پهنه بندی سطح آب زیرزمینی آبخوان نیز گویای روند کاهش سطح آب زیرزمینی از بخش غرب به شرق آبخوان بود که همسو با گرادیان هیدرولیکی می باشد.

آمار یکساله:  

بازدید 725

دانلود 247 استناد 0 مرجع 0
اطلاعات دوره: 
  • سال: 

    1390
  • دوره: 

    25
  • شماره: 

    2
  • صفحات: 

    365-379
تعامل: 
  • استنادات: 

    2
  • بازدید: 

    292
  • دانلود: 

    38
چکیده: 

از دیرباز معادله های متنوعی برای تعیین رواناب به منظور مدیریت منابع آب توسط پژوهش گران ارایه شده که کاربرد گسترده ای در علوم هیدرولوژی دارند. در پژوهش حاضر با بهره گیری از داده های مشاهده ای، کاربرد مدل های تجربی، شبکه عصبی مصنوعی (ANN) و شبکه عصبی - فازی (canfis) در برآورد رواناب بررسی شد. بدین منظور با استفاده از اطلاعات فیزیوگرافی و اقلیمی سه ایستگاه آب سنجی پل زمانخان، قلعه شاهرخ و سد زاینده رود واقع در حوضه زاینده رود، مقادیر رواناب برآورد شده از مدل های تجربی و مدل های هوشمند عصبی با مقادیر رواناب سالانه مقایسه گردید. پارامترهای ورودی شامل متوسط بارش سالانه، متوسط دمای هوا، دمای حداقل و حداکثر هوا بود. نتایج نشان داد مدل های هوشمند عصبی از دقت مناسبی در برآورد رواناب برخوردار بودند. در بین روش های تجربی نیز، روش دی سوزا مناسب تشخیص داده شد. مقایسه شاخص های خطاسنجی بین روش های برگزیده تجربی با مدل های هوشمند عصبی نشان داد میانگین درصد خطای (MPE) درANN ، canfis و مدل تجربی دی سوزا به ترتیب 7، 12 و 43 درصد بود که موید اختلاف قابل توجه بین روش ها می باشد. ضمن آن که ترکیب منطق فازی با شبکه عصبی مصنوعی در قالب مدل canfis کارایی لازم را در بهبود نتایج شبکه عصبی مصنوعی نداشت. همچنین نتایج این پژوهش نشان داد با کاهش متغیرهای ورودی از 4 پارامتر به یک پارامتر بارش، خطای مدل سازی به حداکثر مقدار خود (ازMPE=7%  بهMPE=16% ) می رسد. در مقابل ساختار بهینه شبکه عصبی به حذف پارامتر میانگین دمای هوا، حساسیت کمتری (از MPE=7% به MPE=10%) نشان داد. بنابراین با توجه به محدودیت اطلاعات مورد نیاز روابط تجربی و دقت بالای مدل های هوشمند، کاربرد مدل عصبی قابل توصیه است.

آمار یکساله:  

بازدید 292

دانلود 38 استناد 2 مرجع 17
نویسندگان: 

VERMA A.K. | SINGH T.N. | MONJEZI M.

اطلاعات دوره: 
  • سال: 

    2010
  • دوره: 

    2
  • شماره: 

    1
  • صفحات: 

    32-38
تعامل: 
  • استنادات: 

    0
  • بازدید: 

    24114
  • دانلود: 

    17761
چکیده: 

The gross calorific value (GCV) or heating value of a sample of fuel is one of the important properties which defines the energy of the fuel. Many researchers have proposed empirical formulas for estimating GCV value of coal. There are some known methods like Bomb Calorimeter for determining the GCV in the laboratory. But these methods are cumbersome, costly and time consuming. In this paper, multivariate regression analysis and Co-active neuro-fuzzy inference system (canfis) backed by genetic algorithm technique is used for the prediction of GCV, taking all the major constituents of the proximate and ultimate analyses properties as input parameters and the suitability of one technique over the other has been proposed based on the results.Correlations have been developed using multivariate regression analysis that are simple to use based on the proximate and ultimate analysis of data sets from 25 different states of USA because a very through study has been done and the data available is less variable. Also, canfis backed by genetic algorithm model is designed to predict the GCV of 4540 US coal samples from the abovementioned datasets. Optimization of the network architecture is done using a systematic approach (genetic algorithm). The network was trained with 4371, cross validation with 100, predicted with rest 69 datasets and the predicted results were compared with the observed values.The mean average percentage error in prediction is found to be negligible (0.2913%) and the generalization capability of the model was established to be excellent. A useful concept of sensitivity analysis is adopted to set the hierarchy of influence of input factors. The results of the present investigation provide functional and vital information for prediction of GCV of any type of coal in USA.

آمار یکساله:  

بازدید 24114

دانلود 17761 استناد 0 مرجع 0
litScript