انتخاب صفحه

فهرست مطالب

فهرست جدول ها…………………………………………………………………….. ‌ی

فهرست شکل ها ‌……………………………………………………………………….ک

فهرست نشانه ها…………………………………………………………………….. ‌م

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فصل اول

اهمیت علمی هدایت الکتریکی محلول­های الکترولیت علاقه­ فزاینده­ی پژوهشگران را در سال­های اخیر به خود جلب کرده است و مقدار زیادی از نتایج آزمایشگاهی در این زمینه منتشر شده است ]1[. در زمینه فعالیت­های صنعتی و پژوهشی نیاز به بررسی و مبذول داشتن توجه به امر مهم و تأثیرگذار هدایت الکتریکی وجود دارد. شایان ذکر است که بررسی پارامتر هدایت الکتریکی در زمینه فعالیت­های تصفیه آب، شیرین سازی، فعالیت های کشاورزی (بررسی نمونه­ی خاک­ ها)، تشخیص نشتی مبدل­های حرارتی، تشخیص میزان خلوص آب و اندازه­گیری کل املاح حل شده در آب، تشخیص الکترولیت­های قوی از ضعیف، به دست­آوردن اطلاعات ترمودینامیکی نظیر درجه یونیزاسیون و بسیاری موارد دیگر از اهمیت بسزایی بر­خوردار است ]2[.در کاربرد­های مهندسی، دانشی از هدایت الکتریکی برای طراحی و بهینه­سازی فرآیند­ها و دستگاه­های مختلف، بخصوص آن­هایی که شامل سیستم­های الکتروشیمیایی می­باشند، بسیار مهم است. در حوزه حفاظت از خوردگی محیط­های آبی و طراحی سیستم­های حفاظت کاتدیک، هدایت الکتریکی اطلاعات مفیدی ارائه می کند. همچنین هدایت الکتریکی می­تواند برای به­دست­ آوردن دیدی نسبت به خواص محلول­های الکترولیت و ارزیابی مقادیر مشخصه­های فیزیکی از قبیل ثابت تفکیک مورد استفاده قرار گیرد ]3 و4[.هدایت الکتریکی مقیاسی برای تعیین توانایی محلول در حمل جریان الکتریکی است. هدایت در مایعات مانند هدایت در فلزات توسط حرکت آزادانه­ی الکترون­ها صورت نمی­گیرد، بلکه توسط یون­ها حمل می­شود. تمام یون­ها­ی موجود در محلول به حمل جریان و در نهایت هدایت کمک می­کنند. در نتیجه از طریق تعیین هدایت الکتریکی می­توان غلظت املاح یونیزه شده در نمونه­ی موجود را تعیین کرد

1-2  قابلیت هدایت الکتریکی

قابلیت هدایت الکتریکی مشخصه­ای است فیزیکی که بستگی به غلظت مواد قابل یونیزاسیون در آب داشته و توانایی آب را در هدایت الکتریکی نشان می­دهد. واحد مقاومت الکتریکی اهم در متر می­باشد. قابلیت هدایت الکتریکی عکس مقاومت است. در سال 1971 واحد زیمنس که با نماد s نشان می­دهند، توسط کنفرانس عمومی اوزان و مقادیر به عنوان واحد به­دست­آمده­ی SI تصویب شد. در نتیجه واحد قابلیت هدایت الکتریکی زیمنس بر متر تعیین شد. واحد زیمنس به نام ورنر ون زیمنس[1]، مخترع آلمانی قرن نوزده میلادی، در زمینه مهندسی برق است ]5 و6[. از هدایت الکتریکی آب برای پی­بردن به تغییرات ناگهانی مواد معدنی محلول در آب، برای قضاوت در خصوص مطلوب بودن کیفیت آب مقطر، برای پی بردن به صحت برخی از آزمون­های آب از جمله در تجزیه و تحلیل پارامتر­هایی از قبیل کل مواد جامد محلول  مورد استفاده قرار می­گیرد ]6[.در هادی­های فلزی الکترون­های آزاد عامل هدایت جریان هستند اما در محلول­های آبی این اتفاق توسط آنیون ها و کاتیون­ها صورت می­گیرد. الکترولیت­ها محلول­هایی شامل یون­های حاصل از حل شدن نمک­ها و یا یونیزه شدن مواد در محلول هستند. یون­ها مسئول انتقال جریان الکتریکی می­باشند. الکترولیت­ها به دو دسته تقسیم می شوند:

  • الکترولیت­های قوی: این محلول­ها به صورت کامل یونیزه شده، در واقع غلظت یون در محلول متناسب با غلظت الکترولیت است. جامد­های یونی و اسید­های قوی شامل این گروه می­باشند.
  • الکترولیت­های ضعیف: این محلول­ها به صورت کامل یونیزه نمی­شوند. به طور مثال اسید استیک به صورت جزئی به یون استات و یون هیدروژن تفکیک می­شود، بنابراین محلول اسید استیک هم شامل مولکول­ها و هم یون­ها است.

الکترولیت­های ضعیف در مقایسه با الکترولیت­های قوی رفتار هدایتی ضعیف­تری دارند، زیرا تعداد یون­های موجود در آن­ها کمتر است، در نتیجه جریان الکتریکی بین الکترود­ها کمتر حمل می­شود.هدایت الکتریکی یک محلول الکترولیت در اثر حرکت یون­های منفی به طرف آند و حرکت یون­های مثبت به طرف کاتد در یک پیل الکتریسیته در نتیجه­ی یک پتانسیل اعمال شده به وجود می­آید و نشانگر توانایی آن محلول جهت عبور جریان الکتریسیته است. برای اینکه محلول بتواند الکتریسیته را از خود عبور دهد باید دارای اجزای یونی پایدار باشد. جزئی از جریان که توسط یک یون منتقل می­شود به غلظت نسبی آن مربوط است.توانایی یک یون برای هدایت بستگی به بار یون و خواص حلال (مانند گرانروی و ساختار مولکولی) دارد. افزایش گرما قابلیت هدایت الکتریکی محلول را زیاد می­کند، زیرا در اثر گرما، گرانروی حلال کم می­شود

کلیات تحقیق…………………………………………………………………………… 1

1-1 مقدمه………………………………………………………………………………. 2

1-2  قابلیت هدایت الکتریکی…………………………………………………………. 2

1-2-1 اندازه گیری قابلیت هدایت الکتریکی…………………………………………. 3

1-2-2 عوامل مؤثر بر هدایت الکتریکی………………………………………………. 6

1-2-3 کاربرد هدایت الکتریکی…………………………………………………………. 8

1-3 عوامل مرتبط با هدایت الکتریکی…………………………………………………. 9

1-4 اهمیت تحقیق…………………………………………………………………… 10

تابع انتقال حد سخت متقارن

تابع انتقال حد سخت متقارن

فصل دوم

تغییرات کیفیت آب رودخانه­ها، متأثر از عوامل متعددی است که قطعی نبودن آن­ها و همچنین نا­متجانس بودن محیط سبب پیچیدگی پیش بینی کیفیت آب شده است. یکی از روش­های مناسب در مطالعه رفتار آب رودخانه­ها، استفاده از مدل­های کامپیوتری است. در این راستا، به دلیل نبود درک فیزیکی از ماهیت مسئله، مدل­های شبکه عصبی مصنوعی، تنها بر اساس آموزش قادر به مدل­سازی رفتار دینامیکی فرآیند غیر خطی می باشند. این ویژگی سبب انعطاف­پذیری شبکه عصبی مصنوعی در مقابل خطاهای نا­خواسته و بی تأثیر شدن آن­ها در روند کار خواهد شد ]36[.در بررسی­های صورت گرفته در ارتباط با کاربرد مدل­های شبکه عصبی به منظور پیش بینی کیفیت آب، می توان به پیش بینی پارامتر نیترات با استفاده از مدل شبکه عصبی مصنوعی اشاره کرد ]37[. همچنین در تحقیق مشابهی، مدل­سازی به منظور پیش بینی سطح آب زیر زمینی دشت ملایر صورت گرفته است ]38[. به طور مشابه می­توان به بررسی کارایی شبکه عصبی مصنوعی در پیش بینی پارامتر TDS، توسط مهردادی و همکارانش در تصفیه خانه فجر در جنوب کشور اشاره کرد

2-3-1 تخمین هدایت الکتریکی رودخانه زرینه رود

در سال 1391 خوشنظر و همکارانش به ارزیابی کارایی شبکه عصبی مصنوعی در پیش بینی میزان هدایت الکتریکی رودخانه زرینه رود پرداختند. در این پژوهش از تعداد 16 ایستگاه نمونه­گیری و تعداد 112 داده تجربی جهت مدل­سازی استفاده شده است. بر اساس مطالعات آن­ها مدلی با تابع محرک تانژانت و قانون آموزش لونبرگ- مارکوات با یک لایه پنهان و 4 نرون میانی و با در نظر گرفتن دما و pH به عنوان پارامترهای ورودی مدل، مورد پذیرش بوده که ریشه­ی میانگین مربعات خطا و خطای نرمال میانگین مربعات خطا به ترتیب برابر 33/168 و 24/0 می­باشند ]40[.

مرور تحقیقات پیشین………………………………………………………………… 12

2-1 روابط محاسبه هدایت الکتریکی در محلول ها……………………………….. 13

2-1-1 روش کلروش و همکارانش…………………………………………………… 13

2-1-2 روش اونساگر………………………………………………………………….. 16

2-1-3 روش رقیق سازی اوستوالد………………………………………………….. 16

2-2 روش های تخمین هدایت الکتریکی آب های طبیعی………………………. 16

2-2-1 روش پولاک…………………………………………………………………… 17

2-2-2 روش اکربونی و موستی……………………………………………………… 16

2-2-3 روش مکلسکی………………………………………………………………… 18

2-2-4 توسعه یافته مدل روسوم اصلاح شده……………………………………… 20

2-3 روش های نوین ریاضی در تخمین هدایت الکتریکی…………………………. 21

2-3-1 تخمین هدایت الکتریکی رودخانه زرینه رود………………………………… 22

ساختار نرون زیستی

ساختار نرون زیستی

فصل سوم

حرکت و تغییر به معنای عوض شدن حالت در طی زمان است. این مفهوم را با dx/dt نشان می­دهیم که در آن x هر متغیر دلخواه است. در مهندسی هدف نوشتن معادله دینامیکی حاکم بر سیستم و حل آن معادله دیفرانسیل است. شکل کلی یک معادله دیفرانسیل در رابطه (3-1) بیان شده استهدف از نوشتن معادله، شناسایی پدیده است. برای این منظور باید معادله دیفرانسیل را حل کرد. هدف یافتن پاسخ تحلیلی[1] معادلات است؛ اما از آنجا که این کار مشکل است جواب عددی[2] را میابیم. روش حل، روش تکرار برای حل معادله است. پردازش­های رایانه­ای و محاسبات الگوریتم توسط کامپیوتر انجام می­شود. کامپیوتر ابزاری برای اجرای فرآیند تکرار و الگوریتمی است. محاسبات غیر الگوریتمی که هوش رایانشی[3] نامیده می شود زمانی مورد استفاده قرار می­گیرند که محاسبات الگوریتمی ناتوان است. در این بحث نوعاً شبکه عصبی مطرح می­شود. شبکه­های عصبی بر اساس الگوریتم کار نمی­کنند بلکه بر اساس یادگیری عمل می­کنند. الگوریتم و پردازش الگوریتمی معادل برنامه­ریزی[4] و هوش رایانشی و شبکه عصبی مصنوعی معادل یادگیری[5] هستند. هوش رایانشی سه حوزه دارد:

الف) شبکه عصبی مصنوعی: یادگیری

ب) نظریه فازی: مدل­سازی مغز

ج) محاسبات تکاملی: بهینه­سازی و انتخاب اصلح که نزدیکترین حوزه به حوزه الگوریتمی است

3-2 شبکه عصبی

مغز انسان ده میلیارد سلول عصبی دارد که بر آن­ها 1010×13 ارتباط تصور می­گردد. یعنی یک شبکه بسیار پیچیده­ی ارتباطی مطرح است که می­تواند کاری کند که مغز انسان به عنوان یک پردازشگر موازی عمل کند. هر سلول عصبی یک پردازشگر است یعنی در مغز انسان 1010 پروسه عملیاتی صورت می­گیرد. با تغییر یا حذف یک سلول بعضی ارتباطات جدید ایجاد می­شود.

مکانیسم فراگیری و آموزش مغز اساساً بر تجربه استوار است. مدل­های الکترونیکی شبکه­های عصبی طبیعی نیز بر اساس همین الگو بنا شده­اند و روش برخورد چنین مدل­هایی با مسائل، با روش­های  محاسباتی که به طور معمول توسط سیستم­های کامپیوتری در پیش گرفته شده­اند، تفاوت دارد. حتی ساده­ترین مغزهای جانوری هم قادر به حل مسائلی هستند که اگر نگوییم که کامپیوترهای امروزی از حل آن­ها عاجز هستند، حداقل در حل آن­ها دچار مشکل می­شوند. به عنوان مثال، مسائل مختلف شناسایی الگو، نمونه­ای از مواردی هستند که روش های معمول محاسباتی برای حل آن­ها به نتیجه مطلوب نمی رسند ]43[. در حالی که مغز ساده­ترین جانوران به راحتی از عهده چنین مسائلی بر می­آید. تصور عموم کارشناسان فنآوری اطلاعات (IT) بر آن است که مدل­های جدید محاسباتی که بر اساس شبکه­های عصبی بنا می­شوند، جهش بعدی صنعت IT را شکل می­دهند. تحقیقات در این زمینه نشان داده است که مغز، اطلاعات را همانند الگو­ها[6] ذخیره می­کند. فرآیند ذخیره­سازی اطلاعات به صورت الگو و تجزیه و تحلیل آن الگو، اساس روش نوین محاسباتی را تشکیل می­دهند. این حوزه از دانش محاسباتی[7] به هیچ وجه از روش­های برنامه­نویسی سنتی استفاده نمی­کند و به جای آن از شبکه­های بزرگی که به صورت موازی آرایش شده­اند و تعلیم یافته­اند، بهره می­جوید.

شبکه عصبی مصنوعی (ANN)[8] ایده­ای است برای پردازش اطلاعات که از سیستم عصبی زیستی الهام گرفته شده و مانند مغز به پردازش اطلاعات می­پردازد. عنصر کلیدی این ایده، ساختار جدید سیستم پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق العاده بهم پیوسته تشکیل شده (نرون[9]) که برای حل یک مسئله با هم هماهنگ عمل می­کند.شبکه­های عصبی مصنوعی، نظیر انسان­ها، با مثال یاد می­گیرند ]42[. یک شبکه عصبی مصنوعی برای انجام وظیفه­ای مشخص، مانند شناسایی الگوها و دسته­بندی اطلاعات، در طول یک فرآیند یادگیری، تنظیم می­شود. در سیستم­های زیستی، یادگیری با تنظیمات سیناپسی (محل اتصال پایانه یک سلول عصبی به سلول عصبی دیگر را سیناپس می­گویند که البته کاملاً اتصال برقرار نیست و یک فضای سیناپسی برای انتقال دهنده­های عصبی وجود دارد که از طریق آن انتقال دهنده­های عصبی آزاد و سلول دیگر را تحریک یا مهار می­کنند) که بین اعصاب قرار دارد، همراه است .

در این شبکه‌ها به کمک دانش برنامه­نویسی، ساختار داده‌ای طراحی می‌شود که می‌تواند همانند نورون عمل کند. به این ساختار داده گره گفته می‌شود. سپس با ایجاد شبکه‌ای بین این گره‌ها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند. در این حافظه یا شبکه­ی عصبی، گره‌ها دارای دو حالت فعال (روشن یا 1) و غیرفعال (خاموش یا 0) اند و هر یال (سیناپس یا ارتباط بین گره ها) دارای یک وزن می‌باشد. یال های با وزن مثبت، موجب تحریک یا فعال کردن گره غیر فعال بعدی می‌شوند و یال های با وزن منفی، گره متصل بعدی را غیر فعال یا مهار (در صورتی که فعال بوده باشد) می‌کنند.

3-2-1 تاریخچه شبکه عصبی

تاریخچه شبکه عصبی را می­توان به شش دوره اصلی تقسیم­بندی نمود:

  • دوره لقاح (1890- 1949 میلادی)

پیشرفت­های مهمی در سه حوزه­ی فیزیک، روانشناسی و نروفیزیولوژی صورت پذیرفت که بر نظریه­ی یادگیری، بینایی و شرطی شدن تأکید داشتند. در دهه­ی 1940 وارن مک کلاچ[10] و والتر پیتز[11] نشان دادند که می­توان شبکه­های طبیعی را به کمک تابعی حسابی و منطقی مدل کرد ]46[. کارهای این دو از این جنبه دارای اهمیت است که ثابت کرد شبکه­های متشکل از نرون­ها می­توانند هر عبارت منطقی متناهی را مدل کنند. در سال 1949 دونالد هب[12] توانست مفهوم شرطی شدن را به عنوان یکی از ویژگی­های نرون­ها معرفی کند و بر اساس آن مکانیزمی را برای یادگیری نرونی پیشنهاد کرد. وی اولین کسی بود که روش وزن­های سیناپسی را تعریف کرد.

روش تحقیق………………………………………………………………………….. 23

3-1مقدمه……………………………………………………………………………… 24

3-2 شبکه عصبی…………………………………………………………………….. 25

3-2-1 تاریخچه شبکه عصبی……………………………………………………….. 26

3-2-2 کاربرد شبکه عصبی………………………………………………………….. 29

3-2-3 مزیت ها ومعایب شبکه عصبی……………………………………………… 30

3-2-4 ساختار نرون طبیعی………………………………………………………….. 30

3-2-5 مدل ریاضی نرون……………………………………………………………… 32

3-2-6 انواع توابع انتقال………………………………………………………………. 34

3-2-7 ویژگی های شبکه عصبی مصنوعی……………………………………….. 37

3-2-8 ساختار شبکه عصبی…………………………………………………………. 38

3-3 آموزش شبکه های عصبی……………………………………………………… 40

3-4 شبکه های عصبی چند لایه پیشخور…………………………………………. 42

3-4-1 تاریخچه شبکه عصبی چند لایه پیشخور………………………………….. 43

3-4-2 شبکه های پرسپترون چند لایه (MLP)……………………………………. 44

3-5 الگوریتم پس انتشار خطا………………………………………………………. 45

3-5-1 ساختار شبکه در الگوریتم پس انتشار خطا………………………………… 45

3-5-2 نگرش کلی بر آموزش شبکه………………………………………………. 46

3-5-3 مبنای ریاضی الگوریتم پس انتشار خطا …………………………………..50

3-5-4 ملاحظاتی در مورد الگوریتم BP.ا…………………………………………… 53

3-5-5 الگوریتم های آموزشی پس انتشار خطا …………………………………..55

شماتیک مدل شبکه عصبی مصنوعی به کاررفته در پژوهش

شماتیک مدل شبکه عصبی مصنوعی به کاررفته در پژوهش

فصل چهارم

هدف اصلی این پژوهش ارائه روش نوین ریاضی (شبکه عصبی مصنوعی) به منظور تخمین هدایت الکتریکی آب­های طبیعی می­باشد که رودخانه­های کرج و جاجرود به عنوان مناطق مورد مطالعه، در نظر گرفته شده­اند. در این راستا 8 ساختار مختلف شبکه عصبی برای مدل سازی داده­ها مورد مطالعه قرار گرفته است. همچنین از بین روش­های نظری، روش­های  مکلسکی و EMRM مورد بررسی قرار گرفته است. روش مکلسکی از دقت بسیار پایینی برخوردار بود بنابراین به علت بزرگی خطای محاسبه شده در جدول برای مقایسه ذکر نشد. نتایج این محاسبات در جدول (4-5) برای رودخانه کرج و جاجرود آورده شده است.در این پژوهش از داده­های تجربی اداره آب و فاضلاب استان تهران جهت مدل­سازی با استفاده از نرم افزار متلب به منظور تخمین هدایت الکتریکی استفاده شده است. تعداد داده­های تجربی استفاده شده برای رودخانه کرج برابر 2137 می­باشد که تعداد 1495 نمونه به عنوان داده­های آموزش شبکه و تعداد 321 نمونه برای تست و تعداد 321 نمونه برای اعتبارسنجی در نظر گرفته شده است. به طور مشابه برای رودخانه جاجرود تعداد داده­های تجربی استفاده شده برابر 1857 می­باشد که تعداد 1300 نمونه به عنوان داده­های آموزش شبکه و تعداد 278 نمونه برای تست و تعداد 278 نمونه برای اعتبارسنجی مورد استفاده قرار گرفته است.به منظور بررسی کمی میزان دقت کلیه­ی ساختارهای شبکه عصبی ارائه شده و روش­های نظری، میزان ریشه­ی میانگین مربعات خطا و خطای نرمال نسبی مطابق معادلات (4-13) و (4-14) محاسبه شده است.در ادامه نتایج حاصل از هر یک از روش­ها به صورت نمودارها و جداول نشان داده شده است. در نهایت مقایسه­ای کلی بین همه­ی این روش­ها انجام شده و نتایج بررسی شده است.

-2-1 رودخانه کرج

حوضه آبریز رودخانه کرج واقع در مختصات جغرافیایی ◦51 تا ’35◦51 طول شرقی و ‘5◦35 تا ’11◦36 عرض شمالی در دامنه­های جنوبی البرز مرکزی در حد فاصل بیلقان تا دیزین قرار دارد. ارتفاع متوسط حوضه 1600 متر از سطح دریا است. 61% مساحت این حوضه در ارتفاعی بیش از 2500 متر از سطح دریا قرار دارد. کمترین ارتفاع، 1320 متر در محدوده­ی پایین سد و بیشترین ارتفاع، بیش از 4000 متر در شمال آن می­باشد ]58[. رودخانه کرج با طول تقریبی 75 کیلومتری، از رودخانه‌های پرآب دامنه جنوبی البرز می‌باشد که 8 تا 15 متر عرض و 1 الی 2 متر عمق دارد. دبی متوسط آب این رودخانه 17 مترمکعب در ثانیه است که این مقدار در زمستان و اوایل بهار بیشتر و در تابستان و پاییز کمتر می‌شود. از مهم‌ترین سرشاخه‌های این رودخانه می­توان به کندر، کندرآب، دره نمرک-کلنا، دره انگلج (وینه)، دره نوجان، خور، رشک بهشت، شاه دزد، سیجان، چاران، سرزیارت، گوراب، هفت چشمه، ارنگه، آدران- دوران، خوزنکلا، اویزر، نشتارود-کلها، واریان، قصردره (رزکان)، مورود، شلنک، وصال دره، سرک، لانیز، شهرستانک، کلارود-گشتادر-کسیل، گرماب، آزادبر-آسیاب درگاه، سرنساء، ولایترود- دیزین، پی کنار، شیرکمر- سوتک و وارنگه رود اشاره کرد.مهم‌ترین چشمه‌های تغذیه‌کننده رودخانه کرج شامل چشمه‌های سوتک، سفید سوتک، شیرکمر، کریم چال- وارنگه رود، سیکنو، نمرک، جیان-کندر، قل قل چشمه سرزیارت، هفت چشمه، شاهی خور، چشمه دره، قصر ناصرالدین شاه- شهرستانک، دره بصال- شهرستانک، بیدار چشمه باغستان و پی کنار می­باشند ]59[.سد کرج در سال1340 جهت مصارف شرب و کشاورزی در محلی واقع در 23 کیلومتری شمال کرج احداث گردید. این سد از نوع بتنی دو قوسی بوده و حجم مفید آب در پشت آن 195 میلیون متر مکعب است. مساحت آبریز رودخانه ی کرج بالغ بر 5000 کیلومتر مربع برآورد شده است. شیب شاخه اصلی رودخانه زیاد است و دارای رژیم برفی بارانی می باشد. رودخانه ی کرج قبل از شهر کرج وارد آبگیر بیلقان می شود و در آنجا از طریق خطوط لوله به تصفیه خانه های جلالیه و کن هدایت می گردد.

4-2-2 رودخانه جاجرود

یکی از حوضه­های آبریز ایران که در شمال کشور (استان تهران) و در غرب شهرستان دماوند و شمال شرقی شهر تهران واقع شده حوضه­ آبریز جاجرود است. سرچشمه اصلی این رودخانه در ارتفاعات البرز میانی و کوه های کلون بستک در نزدیکی گرمابدر واقع است. در منطقه اوشان، شاخه آهار به آن می پیوندد و پس از ورود تعدادی از رودخانه های کوچک فرعی، وارد سد لتیان می شود. طول رودخانه جاجرود حدود 40 کیلومتر است و حوضه آبریز آن 710 کیلومتر مربع وسعت دارد. این رودخانه دارای رژیم برفی بارانی است. حوضه آبریز جاجرود شامل زیر حوضه­های گرمابدر، شمشک، آهار، امامه، قوچک وردک، گلوکان، کند، افجه، لوارک شمالی- جنوبی و هراز دره به همراه رودخانه اصلی جاجرود می­باشد ]60[.  رودخانه و سد کرج، همچنین رودخانه جاجرود و سد لتیان از دیر باز یکی از منابع عمده تأمین آب شرب تهران و آب مورد نیاز بخش کشاورزی منطقه بوده اند. همچنین نقش بسیار مهمی در تأمین منبع برق کشور دارد. از این رو بررسی و پایش کیفی آب این منابع همواره از سوی شرکت آب و فاضلاب تهران با جدیت و استمرار  دنبال می شود. جهت این پایش تعدادی ایستگاه نمونه برداری در طول مسیر رودخانه­ها از سرچشمه آن تا خروجی سد در نظر گرفته شده و ماهیانه به طور منظم توسط گروه­های مجهز، نمونه برداری می گردند. نمونه ها پس از انتقال به آزمایشگاه طبق اصول فنی و روش های استاندارد مورد آزمایش های لازم قرار گرفته و نتایج پس از کنترل و ثبت، به صورت گزارش های سه ماهه، شش ماهه و سالیانه جمع بندی می گردند.در این پژوهش نیز از اطلاعات اندازه­گیری شده در 20 ایستگاه مطالعاتی واقع بر این دو رودخانه که توسط آزمایشگاه­های آب و فاضلاب استان تهران طی سال­های مختلف جمع آوری گردیده، استفاده شده است و با استفاده از روش نوین ریاضی ( شبکه عصبی مصنوعی نرم افزار متلب) مدل­سازی داده­ها به منظور پیش بینی هدایت الکتریکی صورت گرفته است. در شکل ­(4-1) و (4-2) موقعیت ایستگاه­های مذکور به ترتیب برای رودخانه کرج وجاجرود نشان داده شده است.

نتایج و محاسبات……………………………………………………………………. 57

4-1 مقدمه……………………………………………………………………………. 58

4-2  منطقه مورد مطالعه………………………………………………………….. 58

4-2-1 رودخانه کرج.. ………………………………………………………………….58

4-2-2 رودخانه جاجرود………………………………………………………………. 59

4-2 استفاده از شبکه عصبی به منظور پیش بینی هدایت الکتریکی.. ……..63

4-3 مقایسه مدل های ارائه شده جهت تخمین هدایت الکتریکی………….. 68

محل استقرار ایستگاه های نمونه برداری واقع بر رودخانه کرج

محل استقرار ایستگاه های نمونه برداری واقع بر رودخانه کرج

برای دانلود رایگان قسمت های بیشتراز فایل به انتهای مطلب مراجعه کنید

فصل پنجم

هدایت الکتریکی آب­های طبیعی در فرآیندهای صنعتی و تحقیقات دانشگاهی نقش مهمی را ایفا می­کند. از آنجایی که تغییرات کیفیت آب رودخانه­ها، متأثر از عوامل متعددی است که قطعی نبودن آن­ها و همچنین نا متجانس بودن محیط سبب پیچیدگی پیش بینی کیفیت آب شده است، تاکنون محققان موفق به ارائه رابطه­ای مشخص برای تخمین هدایت الکتریکی و تعمیم آن به همه نمونه­های آب­های طبیعی نشده اند. لذا در چند دهه اخیر استفاده از کامپیوتر در مباحث ریاضی موجب شده است که روش­های دقیق­تری به منظور تخمین پدیده های کاملاً غیر خطی به کار برده شود. از جمله این روش­های جدید روش شبکه عصبی می­باشد که در این پژوهش جهت تخمین هدایت الکتریکی رودخانه­ها استفاده شده است.

روش شبکه عصبی که از سیستم آموزشی موجودات زنده الهام گرفته است، یکی از دقیق­ترین روش­ها در زمینه تخمین توابع است. در این پژوهش به منظور تخمین هدایت الکتریکی رودخانه­های کرج و جاجرود هشت مدل مختلف شبکه عصبی برای هر یک ارائه شده است که در مدل­های اول، دوم و سوم پرامترهای دما، pH، کدورت، سختی کل، TDS و غلطت ها به عنوان ورودی شبکه استفاده شده است. در مدل­های چهارم و پنجم پارامترهای دما، pH،کدورت، سختی کل و TDS؛ در مدل­های ششم تا هشتم برای داده های رودخانه کرج پارامترهای دما و همه­ی غلطت ها به عنوان ورودی شبکه مورد استفاده قرار گرفته است. برای رودخانه جاجرود، در طراحی مدل­های ششم و هفتم پارامترهای دما، TDS و pH؛ و در مدل هشتم پارامترهای دما و همه­ی غلطت ها به عنوان ورودی شبکه در نظر گرفته شده است. در نهایت مطابق شکل­های (5-1) و (5-2) نتایج حاصل از مقایسه درصد خطاهای حاصل از این هشت مدل شبکه عصبی برای رودخانه کرج با روش نظری EMRM مقایسه شده است. به طور مشابه، این مقایسه برای رودخانه جاجرود نیز در نظر گرفته شده است که در شکل­های (5-3) و (5-4) نمایش داده شده است.

نتیجه گیری و پیشنهادها ………………………………………………………….81

5-1 نتیجه گیری…………………………………………………………………….. 82

5-2 پیشنهاد ها…………………………………………………………………….. 85

منابع………………………………………………………………………………….. 87

پیوست الف…………………………………………………………………………. 93

چکیده انگلیسی……………………………………………………………………. 98

مدل ریاضی نرون

مدل ریاضی نرون

Abstract:

The purpose of this study was to estimate the electrical conductivity of natural water based on the modern mathematical methods considering Karaj and Jajrud Rivers as the special case studies. So the required experimental data were collected from 20 sampling stations. The data included different parameters such as temperature, alkalinity (pH), turbidness, hardness, total dissolved substances (TDS), basic anions and Cation density. Different Artificial Neural Networks were designed by MATLAB using 2137 and 1857 total data samples for Karaj and Jajrud case studies, respectively. The training data for these case studies were equal to 1495 and 1300, respectively. The best model for both case studies used sigmoid tangent transfer function as well as the Levenberg – Marquardt training function. The normal mean square error for Karaj River was equal to 0.033, the minimum mean square error was recorded as 12.06 and the correlation coefficient was found to be 0.98.  The normal mean square error for the Jajrud River was equal to 0.043, the min mean square error was recorded as 16.97 and the correlation coefficient was found to be 0.99.



بلافاصله بعد از پرداخت به ایمیلی که در مرحله بعد وارد میکنید ارسال میشود.


فایل pdf غیر قابل ویرایش

قیمت25000تومان

خرید فایل word

قیمت35000تومان