عنوان فارسی مقاله	مدل شبکه عصبی مصنوعی برای اثرات کود مرغی بر روی آب زیر زمینی
عنوان انگلیسی مقاله	An artificial neural network model for the effects of chicken manure on ground water
رشته های مرتبط	محیط زیست، آلودگی محیط زیست، مهندسی بهداشت محیط و آب و فاضلاب
کلمات کلیدی	ANN ، مرغداری ، آلودگی آب
فرمت مقالات رایگان	مقالات انگلیسی و ترجمه های فارسی رایگان با فرمت PDF آماده دانلود رایگان میباشند همچنین ترجمه مقاله با فرمت ورد نیز قابل خریداری و دانلود میباشد
کیفیت ترجمه	کیفیت ترجمه این مقاله متوسط میباشد
توضیحات	ترجمه این مقاله به صورت خلاصه انجام شده است.
نشریه	الزویر – Elsevier
مجله	محاسبات نرم کاربردی – Applied Soft Computing
سال انتشار	۲۰۱۲
کد محصول	F921
مقاله انگلیسی رایگان (PDF)	دانلود رایگان مقاله انگلیسی
ترجمه فارسی رایگان (PDF)	دانلود رایگان ترجمه مقاله

فهرست مقاله:

چکیده
۱ – مقدمه
۱-۱ مدل سازی شبکه های عصبی مصنوعی
۲- مواد و روش ها
۲-۱ آزمایش
۲-۲ روش مدل سازی
۳-نتایج و بحث
۴-نتیجه گیری

بخشی از ترجمه فارسی مقاله:

۱ – مقدمه
مرغداری ها که بالغ بر ۴۰۰ مورد هستند، به طورگسترده ای در استان کروم پراکنده شده اند و به یک منبع مهم آلودگی آب زیر زمینی در منطقه تبدیل شده است. در این مزارع پرورش مرغ، کود حیوانی به وسیله آب پر فشار به یک مخزن کود انتقال می یابد. در روند این انتقال و عملیات بعدی، کود مرغی به درون آب زیر زمینی از طریق رواناب، سیلاب و انتشار وارد می شود. به علاوه مرغ داری ها میزان آب مصرفی خود را از چاه های با عمق ۲۰ تا ۹۰ متری بدست می اورند.
برای پیش بینی درجه آلودگی با میزان آلاینده های اصلی در چاه های آب زیر زمینی در مرغداری ها، یک روش می تواند، شناسایی رابطه ورودی-خروجی بین متغیر ها بر اساس اندازه گیری های میدانی باشد. از این نظر، شبکه های عصبی مصنوعی(ANN) ابزار های قوی ای هستند که توانایی تشخیص روابط پیچیده را تنها از داده های ورودی-خروجی دارند(۱). مدل های شبکه های عصبی مصنوعی از رایج ترین ابزار ها در زمینه پیش بینی کیفیت آب می باشند(۲-۶). یک شبکه های عصبی مصنوعی یک سیستم پردازش اطلاعات است که از رفتار یک مغز انسان با شبیه سازی عملیات و ارتباط نورون های زیستی، الگوبرداری می کند(۷). این مدل همانند استدلال و منطق انسان عمل کرده، نگرش را یاد می گیرد و رابطه فرایند ها را بر اساس مجموعه داده های معرف قبلی ذخیره می شود. به طور کلی، شبکه های عصبی نیازی به توصیف دقیق یا تدوین یک فرایند مهم ندارند و این موجب شده است تا مهندسان عمدتا بر داده های خود متکی باشند(۱).
۱-۱ مدل سازی شبکه های عصبی مصنوعی
بسته به ساختار شبکه، معمولا یک سری از اوزان نورون های متصل به هم برای برازش یک سری از ورودی ها با سری های خروجی های مشخص و معلوم تعدیل می شوند(۱).وقتی که وزن یک نورون خاص آپدیت می شود گفته می شود که نورون در حال یادگیری است. آموزش، فرایندی است که شبکه عصبی آن را یاد می گیرد. سازگاری، اطمینان پذیری و استواری یک شبکه های عصبی مصنوعی بستگی به منبع، دامنه، مقدار و کیفیت مجموعه داده ها دارد.
شبکه های عصبی پیش خور متشکل از سه یا چند لایه گره می باشند: یک لایه ورودی، یک لایه خروجی و یک یا چند لایه مخفی. بردار ورودی انتقال داده شده به شبکه مستقیما به خروجی فعال سازی گره از ورودی بدون هر گونه رایانش انتقال می یابد. یک یا چند لایه مخفی از گره ها بین لایه های ورودی و خروجی، محاسبات اضافی را به دنبال دارند. سپس لایه خروجی تولید یک بردار خروجی نقشه می کند. هر یک از لایه های مخفی و خروجی دارای مجموعه ای از روابط با یک وزن بین خود و هر گره لایه قبلی می باشند.
این ساختار یک شبکه موسوم به پرسپترون چند لایه ای(MLP)(1) است.
یک شبکه عصبی مصنوعی انتشار برگشتی پیش خور(BNPP) در این مطالعه انتخاب شده است زیرا رایج ترین و عمومی ترین و ساده ترین شبکه عصبی مورد استفاده می باشد. شکل ۱ پیکر بندی اولیه مدل شبکه را نشان می دهد. هر ارتباط درونی در مدل دارای یک وزن اسکالر مرتبط با آن است که قدرت سیگنال را اصلاح می کند. وظیفه نورون، جمع اوری ورودی های وزنی به نورون و انتقال این مجموع از طریق یک تابع انتقال غیر خطی است. به علاوه، اریبی را نیز می توان مورد استفاده قرار داد که یک پارامتر نورونی دیگر است که با ورودی های وزنی نورون جمع می شوند. انتشار برگشتی اشاره به شیوه اجرای آموزش دارد و مستلزم استفاده از قاعده دلتای تعمیم یافته است(۱). یک پارامتر نرخ یادگیری بر نرخ وزن و تعدیل اریبی اثر دارد و اساس الگوریتم انتشار برگشتی (۸) است. مجموعه ای از داده های ورودی از طریق شبکه منتشر می شود و منجر به پیش بینی خروجی می شود. خطای پیش بینی برای به روز رسانی سیستماتیک اوزان بر اساس اطلاعات گرادیان استفاده می شود(۹).
شبکه با تغییر اوزان تا زمانی که خطای بین خروجی داده های آموزشی و خروجی های پیش بینی شده شبکه آموزش داده می شود. الگوریتم های آموزش انتشار برگشتی بسیاری وجود دارند. انتخاب الگوریتم بستگی به نوع مسئله دارد و نیازمند آزمایش و بررسی الگوریتم های مختلف است. الگوریتم ها دارای نیاز های حافظه ای و رایانشی متفاوتی هستند و داده ها با سرعت متفاوتی آموزش می بینند(۱۰). هدف انتخاب، آموزش کارامد و صحیح شبکه ضمن افزایش سرعت آموزش است.
بعد از تولید مجموعه ای از الگو های آموزشی، معماری مناسب NN و پارامتر های مربوطه برای کاربرد خاص انتخاب می شود. پارامتر طراحی اصلی، شامل تعداد لایه های مخفی، تعداد نورون ها در هر لایه و توابع پردازش نورون می باشند. انتخاب این پارامتر ها بستگی به پیچیدگی سیستم مدل سازی شده دارد و این مسئله بر صحت مدل اثر دارد. اگر تعداد نورون های مخفی بسیار زیاد باشد، شبکه ممکن است داده ها را بیش ازحد برازش کند. از سوی دیگر اگر تعداد نورون های مخفی کوچک باشد، شبکه ممکن است درجات آزادی کافی برای یادگیری صحیح فرایند نداشته باشد.(۱۱). یک دستور العمل دقیق برای انتخاب تعداد نورون وجود ندارد. معماری بیشتر مدل های ANN توسط آزمونو خطا(۱۲) طراحی می شود.
در این مطالعه، ما به بررسی مدل سازی اثرات کود مرغی بر روی آب زیر زمینی توسط شبکه های عصبی مصنوعی می پردازیم. یک مدل ANN برای پیش بینی کولیفرم کلدر چاه آب زیر زمینی مرغداری توسعه یافت. الگوریتم انتشار برگشتی برای آموزش و تست شبکه استفاده شد. الگوریتم لونبرگ-مارکوارت(۱۳) برای بهینه سازی استفاده شد. این مدل در آینده برای پیش بینی درجه آلودگی آب زیر زمینی از مرغداری های اطراف مفید می باشد.

بخشی از مقاله انگلیسی:

۱٫ Introduction

Chicken farms, amounting to nearly 400, widely exist in the province of Corum and have become an important source of ground water pollution in the area. In these farms the manure is transferred by means of pressurized water to the manure pool. In the course of this transfer and following operations, chicken manure penetrates into the ground water by runoff, flooding and diffusion. Furthermore farms get their water supply from 20 to 90 m deep wells. For predicting the degree of pollution for major pollutant constituents in ground water wells in poultry farms, one approach could be the identification of an input–output relationship between the involved variables based on the field measurements. From this perspective, artificial neural networks (ANNs) are powerful tools that have the abilities to recognize underlying complex relationships from input–output data only [1]. ANN models have been widely used tools in the field of water quality prediction [2–۶]. An artificial neural network is an information processing system that imitates the behavior of a human brain by emulating the operations and connectivity of biological neurons [7]. It performs a human-like reasoning, learns the attitude and stores the relationship of the processes on the basis of a representative data set that already exists. In general, the neural networks do not need much of a detailed description or formulation of the underlying process, and thus appeal to practicing engineers who tend to rely on their own data [1]. 1.1. ANN modeling Depending on the structure of the network, usually a series of connecting neuron weights are adjusted in order to fit a series of inputs to another series of known outputs [1]. When the weight of a particular neuron is updated it is said that the neuron is learning. The training is the process that neural network learns. The adaptability, reliability and robustness of an ANN depend upon the source, range, quantity and quality of the data set. The feed forward neural networks consist of three or more layers of nodes: one input layer, one output layer and one or more hidden layers. The input vector passed to the network is directly passed to the node activation output of input layer without any computation. One or more hidden layers of nodes between input and output layers provide additional computations. Then the output layer generates the mapping output vector. Each of the hidden and output layers has a set of connections, with a corresponding strength-weight, between itself and each node of preceding layer. Such structure of a network is called a multi-layer perceptron (MLP) [1]. A feed-forward back-propagation artificial neural network (BPNN) is chosen in the present study since it is the most prevalent and generalized neural network currently in use, and straightforward to implement. Fig. 1 illustrates the basic configuration of the network model. Each interconnection in the model has a scalar weight associated with it, which modifies the strength of the signal. The function of the neuron is to sum the weighted inputs to the neuron and pass the summation through a non-linear transfer function. In addition, a bias can also be used, which is another neuron parameter that is summed with the neuron s weighted inputs. Back-propagationrefers to the way the training is implementedand involves using a generalized delta rule [1]. A learning rate parameter influences the rate of weight and bias adjustment, and is the basis of the back-propagation algorithm [8]. The set of input data is propagated through the network to give a prediction of the output. The error in the prediction is used to systematically update the weights based upon gradient information [9]. The network is trained by altering the weights until the error between the training data outputs and the network predicted outputs is small enough. There are many back-propagation training algorithms available. The choice of algorithm depends on the type of problem and may require experimentation of different algorithms. The algorithms have different computation and storage requirements, and train data at different speeds [10]. The goal of selection is to efficiently and accurately train the network while keeping the speed of training relatively fast. After generating sets of training patterns, appropriate NN architecture andassociatedparametersmust be chosenfor theparticular application. The main design parameters are the number of hidden layers, number of neurons in each layer, and the neuron processing functions. The choice of these parameters will depend on the complexity of the system being modeled and they will affect the accuracy of the model. If the number of hidden neurons is too high, the network may over fit the data. On the other side if the number of hidden neurons is small, network may not have sufficient degrees of freedom to learn the process correctly [11]. There is no exact guide for the choice of the numbers. The architecture of most ANN model is designed by trial and error [12]. In this work, we have investigated the modeling of the effects of chicken manure on ground water by artificial neural networks. An ANN model was developed for predicting the total coliform in the ground water well in poultry farms. The backpropagation algorithm was applied to training and testing the network. Levenberg–Marquardt algorithm [13] was used for optimization. The model holds promise for use in future in order to predict the degree of ground water pollution from nearby chicken farms.

طیور

فروشگاه قاصدک ، قیمت ، کیفیت ، بازگشت و سلامت کالا

دانلود رایگان ترجمه مقاله مدل ANN برای اثرات کودهای مرغی بر روی آب های زیرزمینی

دسته‌های مقالات ترجمه شده

تلفن

دسترسی سریع