سیدعباس عطاپورفرد
چکیده
با توجه به عدم امکان استفاده قطعی از یک یا چند ویژگی به‌عنوان منشاءیاب در مطالعات منشاءیابی، انتخاب آن با توجه به نوع و ویژگی‌های منابع تولید رسوب صورت میگیرد. بدین‌ترتیب باید منشاءیاب‌های مختلف برای تعیین منابع تولید رسوب، در طرح‌های تحقیقاتی مورد ارزیابی قرار گرفته و برای مناطق مشابه توصیه شوند. در این پژوهش، کارایی ...
بیشتر
با توجه به عدم امکان استفاده قطعی از یک یا چند ویژگی به‌عنوان منشاءیاب در مطالعات منشاءیابی، انتخاب آن با توجه به نوع و ویژگی‌های منابع تولید رسوب صورت میگیرد. بدین‌ترتیب باید منشاءیاب‌های مختلف برای تعیین منابع تولید رسوب، در طرح‌های تحقیقاتی مورد ارزیابی قرار گرفته و برای مناطق مشابه توصیه شوند. در این پژوهش، کارایی عناصر نادر خاکی برای تفکیک رسوبات واحدهای سنگی مورد ارزیابی قرار گرفته‌اند. بر همین اساس، 69 نمونه از بخش سطحی و آبکندهای فعال 10 واحد سنگ‌شناسی حوزه آبخیز چنداب اخذ و مقدار عناصر نادر خاکی آن به روش فعال‌سازی نوترون اندازه‌گیری شد. در ادامه، با بررسی فرضیات روش تحلیل تشخیص (تبعیت توزیع عناصر از تابع توزیع نرمال، برابری ماتریس کواریانس‌ها و هم‌خطی چندگانه) و در نظر گرفتن برخی ملاحظات، تحلیل تابع تشخیص صورت گرفت. بر این اساس، واحدهای سنگی حوضه در پنج گروه طبقه‌بندی شده و عناصر نادر خاکی Yb، Sc، Sm، Th و Eu به‌عنوان عناصر منشاءیاب انتخاب شدند. با توجه به روش F یک متغیره ضرایب ساختاری توابع تشخیص، عناصر منتخب در سطح اعتماد 95 درصد قادر به تفکیک رسوبات گروه‌های سنگ‌شناسی از یکدیگر هستند. در این میان، عناصر Sm، Eu، Yb و Sc قدرت تفکیک تقریبا یکسان داشته و قابلیت تفکیک عناصر Th نسبت به آن‌ها کمتر است.
مهدی سپهری؛ سید عباس عطاپور فرد؛ علی‌رضا ایلدرومی؛ حمید نوری؛ صبا گودرزی؛ محمد مهدی آرتیمانی؛ مرتضی سلگی
چکیده
برآورد دبی اوج به‌عنوان یکی از مباحث اصلی در مدیریت منابع آبی و سیلاب نقش اساسی در طراحی سازه‌های آبی و اقدامات بیومکانیکی در حوزه‌های آبخیز دارد، به‌طوری که برآورد صحیح آن نقش اساسی در موفقیت کارهای اجرایی دارد. در این بررسی، سعی شده با استفاده از روش‌های هوش مصنوعی (شبکه عصبی MLP، ترکیب شبکه عصبی MLP و شبکه SOFM، ...
بیشتر
برآورد دبی اوج به‌عنوان یکی از مباحث اصلی در مدیریت منابع آبی و سیلاب نقش اساسی در طراحی سازه‌های آبی و اقدامات بیومکانیکی در حوزه‌های آبخیز دارد، به‌طوری که برآورد صحیح آن نقش اساسی در موفقیت کارهای اجرایی دارد. در این بررسی، سعی شده با استفاده از روش‌های هوش مصنوعی (شبکه عصبی MLP، ترکیب شبکه عصبی MLP و شبکه SOFM، GRNN، ترکیب خوشهبندی FCM و ANFIS) دبی بیشینه رودخانه یلفان در محل ایستگاه هیدرومتری برآورد شود. به این منظور، در این دو مدل هشت متغیر که شامل بارندگی مربوط به روز وقوع سیل، بارندگیهای پنج روز قبل، دبی پایه در روز وقوع سیل و CN حوضه به‌عنوان پارامترهای ورودی و دبی پیک به‌عنوان خروجی در نظر گرفته شده است. سپس، با استفاده از روش هوش مصنوعی و پیش پردازش دادهها، ساختار بهینه مدلها با استفاده از دادههای ورودی و خروجی و با ملاک قراردادن معیارهای ارزیابی، به روش سعی و خطا تعیین شد. نتایج نشان داد که شبکه عصبی پرسپترون چند لایه (MLP) عملکرد بهتری در برآورد دبی سیلاب نسبت به مدل ترکیبی ANFIS+FCM ،MLP+SOFM ،GRNN در حوضه یلفان دارد.
