عنوان پایان‌نامه
ارزیابی مقایسه ای مدل های ریاضی SAHYSMOD و شبکه عصبی مصنوعی در پیش بینی عملکرد سامانه های زهکشی زیستی در مناطق نیمه خشک
- رشته تحصیلی
- مهندسی‌کشاورزی-آبیاری و زهکشی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس ابوریحان شماره ثبت: 857;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 72268
- تاریخ دفاع
- ۳۰ شهریور ۱۳۹۳
- دانشجو
- طاهره شهبازی
- استاد راهنما
- محمود مشعل, جابر سلطانی
- چکیده
- بالا آمدن سطح آب زیرزمینی و به دنبال آن ماندابی شدن و شوری ثانویه خاک یک مشکل جدی در اراضی تحت آبیاری مناطق خشک و نیمه‌خشک است. برای احیای خاک‌های شور و ماندابی تکینک متعارف زهکشی زیرسطحی است که نسبتاً گران است و پساب زهکشی مضر تولید می‌کند. یک جایگزین مناسب برای روش بالا می‌تواند زهکشی زیستی باشد. در خصوص سامانه‌های زهکشی زیستی پیش‌بینی عملکرد سیستم پیش از اجرای طرح ضرورت دارد و در این میان انتخاب مدل مناسب حائز اهمیت است. تا کنون به منظور پیش‌بینی عملکرد سامانه‌های زهکشی زیستی از مدل SAHYSMOD استفاده شده است. در این تحقیق به منظور بررسی کارایی مدل شبکه عصبی مصنوعی در خصوص پیش‌بینی رفتار سامانه‌های زهکشی زیستی در مناطق نیمه‌خشک، نتایج بدست آمده با نتایج حاصل از مدل SAHYSMOD مقایسه گردید. در این پژوهش سطح ایستابی و شوری خاک در منطقه ریشه در سامانه‌های زهکشی زیستی در مناطق نیمه‌خشک با استفاده از مدل شبکه عصبی مصنوعی دینامیک شبیه‌سازی و پیش‌بینی شد. برای نیل به این مقصود داده‌های استحصالی از مدل SAHYSMOD طی بیست سال، برای آموزش مدل شبکه‌های عصبی بکار گرفته شد و سطح ایستابی و شوری خاک در نوار زراعی و درخت‌کاری به عنوان خروجی مدل استحصال گردید. نتایج حاصله نشان می‌دهند که مدل‌های شبکه عصبی دینامیکی به خوبی قادرند سطح ایستابی و شوری خاک در سامانه‌های زهکشی زیستی و عملکرد آن را با دقتی قابل‌قبول شبیه‌سازی کنند. بررسی نتایج نشان داد که مدل شبکه عصبی دینامیکی در شبیه‌سازی سطح ایستابی نسبت به شوری خاک در سامانه‌های زهکشی زیستی موفق تر است و با دقت بالاتری در این خصوص پیش‌بینی می‌کند.
- Abstract
- Risng underground water level and consequently water logging and secondary salinity of soil is serious problem in lands under irrigation in grid and semi-arid zones. For restoration of saline soils and bilge, the standard tecnic is under level drainage which is expensive relatively and produce harmful waste water. One suitable altermative for above method could be biodraingae. Biodraingae facilities, system performance prediction before plan establishing is necessary. While choosing suitable model is important. In order to system performance prediction of biodraingae facilities SAHYSMOD model was used. In this study in order to investigation on artificial neural network performance in regard to prediction on biobdraingae facilities in semi-arid zones, the founded results were compared with results come out from SAHYSMOD model. At this research, water table and soil salinity in root area biodraingae system in the semi-arid zones with dynamic neural network model simulated and predicted. For achieve that aim, the finding data from SAHYSMOD model during twenty years, was applied for training neural network and water table and soil salinity in crop strip and tree planning as model's output was drive out. The results showed that dynamic neural network models are able conveniently to simulate bio drainage systems and it's performance with accepted precision. Investigation on results showed that dynamic neural network nmodels in simulation of water table rather to soil salinity is successful inbiodrainge systems and have higher precision in prediction.
