مقاله تخمین ضریب توزیع خاک – آب فلزات سنگین با کاربرد شبکه های عصبی مصنوعی که چکیده‌ی آن در زیر آورده شده است، در پاییز ۱۳۹۱ در حفاظت منابع آب و خاک از صفحه ۲۵ تا ۳۵ منتشر شده است.
نام: تخمین ضریب توزیع خاک – آب فلزات سنگین با کاربرد شبکه های عصبی مصنوعی
این مقاله دارای ۱۱ صفحه می‌باشد، که برای تهیه‌ی آن می‌توانید بر روی گزینه‌ی خرید مقاله کلیک کنید.
کلمات مرتبط / کلیدی:
مقاله شبکه های عصبی مصنوعی
مقاله ضریب توزیع آب – خاک
مقاله کادمیوم
مقاله کروم

نویسنده(ها):
جناب آقای / سرکار خانم: فلامکی امین
جناب آقای / سرکار خانم: اسکندری مهناز

چکیده و خلاصه‌ای از مقاله:
آلودگی منابع آب و خاک یکی از چالش های مهم استفاده بهینه از این منابع در سرتاسر جهان است. ضریب توزیع(Kd)  نه تنها یک پارامتر کاربردی در مدلسازی انتقال آلاینده ها در خاک است، بلکه در ارزیابی ریسک آلودگی منابع آب و خاک نیز کاربرد دارد. مدل های پارامتریک، معمول ترین روش کمی برای تخمین Kd هستند. لیکن معمولا ضریب همبستگی این مدل ها اندک است. در حالیکه مقدار تخمینی این پارامتر می تواند باعث اشتباه قابل توجه در پیش بینی مهاجرت آلاینده ها در آبخوان و یا انتخاب روش پایش محیط آلوده شود. هدف از این پژوهش، بررسی توانایی شبکه های عصبی مصنوعی در مدلسازی ضریب توزیع فلزات سنگین و بهبود دقت تخمین آن بود. بدین منظور، سه نوع شبکه عصبی پرسپترون چند لایه (MLP)، توابع پایه شعاعی (RBF) و شبکه های سلسله مراتبی (HN) و دو فلز سنگین کروم و کادمیوم، برای مدلسازی انتخاب شدند. ابتدا داده های جمع آوری شده به دو دسته آموزش و آزمون تفکیک شدند که یک دسته برای آموزش شبکه ها بکار رفت و با دسته دیگر دقت شبکه های تعمیم یافته ارزیابی شد. بهترین هندسه شبکه نیز با روش آزمون و خطا بدست آمد. نتایج مدلسازی برای فلز کروم نشان داد که هر دو شبکه MLP و RBF، بسیار توانمند عمل کرده اند و برتری نسبی در تخمین Kd با شبکه MLP بوده است. هر چند تعداد داده های کاربردی برای آموزش شبکه ها زیاد نبود (حداقل ۹ و حداکثر ۱۶ داده)، لیکن نتایج نشان داد که این تعداد کم برای مدلسازی کفایت می کند. این یافته گامی موثر در تخمین Kd است چرا که افزون بر زمان بر و هزینه بر بودن اندازه گیری مستقیم آن، در هر پروژه نیز معمولا تعداد اندکی نمونه در اختیار است. نتایج مدلسازی تخمین Kd(Cd) با شبکه های عصبی مصنوعی نیز نشان دهنده برتری شبکه MLP در مدلسازی بود. این شبکه ها توانستند مقدار ضریب همبستگی بین مقادیر واقعی و پیش بینی شده را به طور قابل توجهی افزایش دهند و از ۰٫۳۷ در مدل پارامتریک برازش داده شده به داده ها، به ۰٫۶۳ برسانند.