فهرس المقالات تابع محرک

• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  1 - استخراج ترکیبات فنلی از برگ‌های درخت اکالیپتوس (Eucalyptus camaldulensis Dehn.) به کمک مایکروویو و پیش گویی روند استخراج با استفاده از شبکه‌های عصبی مصنوعی
  مهدی قره‌خانی امیر‌احمد دهقانی احمد قره‌خانی شاهرخ جبرائیلی محمد قربانی
  روش‌های استخراج جدید همچون استخراج به کمک مایکروویو، روش‌های سریع و مؤثر برای استخراج ترکیب‌های موثره از بافت‌های گیاهی هستند. با انتخاب صحیح و مناسب روش استخراج می‌توان حداکثر غلظت ترکیب‌های فنلی را با خلوص بالا از ماده مورد نظر در مقایسه با روش‌های سنتی استخراج کرد. د أکثر

  روش‌های استخراج جدید همچون استخراج به کمک مایکروویو، روش‌های سریع و مؤثر برای استخراج ترکیب‌های موثره از بافت‌های گیاهی هستند. با انتخاب صحیح و مناسب روش استخراج می‌توان حداکثر غلظت ترکیب‌های فنلی را با خلوص بالا از ماده مورد نظر در مقایسه با روش‌های سنتی استخراج کرد. در این تحقیق تاثیر غلظت اتانول (10، 20، 30، 40، 50، 60، 70، 80، 90 و 100درصد) و زمان استخراج (5/0، 1، 2، 5، 7، 9، 11، 13 و 15 دقیقه) بر روی میزان استخراج ترکیبات فنلی از برگ‌های اکالیپتوس به کمک مایکروویو بررسی گردید و از روش شبکه عصبی برای پیش بینی روند استخراج استفاده شد. نتایج نشان داد که غلظت 50درصد اتانول بیشترین میزان استخراج را داشت. شبکه مورد استفاده برای شبیه‌سازی، شبکه پس انتشار پیشخور با الگوریتم یادگیری لونبرگ- مارکوات برای آموزش الگو‌ها استفاده شد. متغیر‌های شبکه عصبی مصنوعی، تعداد نرون در لایه پنهان (4 تا 30) و نوع تابع محرک (تانژانت‌هایپربولیک و سیگموئید) در لایه پنهان بود. برای توسعه مدل‌های شبکه عصبی مصنوعی، بردار ورودی شامل غلظت اتانول و زمان استخراج و بردار خروجی میزان ترکیبات فنلی برگ‌های اکالیپتوس در نظر گرفته شد. نتایج نشان داد که شبکه پس انتشار پیشخور با تابع محرک تانژانت‌هایپربولیک و با 16 نرون در لایه پنهان قادر است که میزان ترکیبات فنلی را با ضریب تعیین 9632/0 و میانگین مربعات خطای برابر با 00069/0 در مقایسه با سایر شبکه‌ها پیش‌بینی کند. تفاصيل المقالة
• حرية الوصول المقاله
  • صفحة الملخص
  • نص كامل
  
  2 - پیش بینی تراز آب زیرزمینی با استفاده از مدل شبکه های عصبی مصنوعی (مطالعه موردی: دشت شبستر)
  زینب مختاری امیرحسین ناظمی عطااله ندیری
  آبهای زیرزمینی، همواره به عنوان یکی از منابع مهم و عمده تأمین آب شرب و کشاورزی به ویژه در مناطق خشک و نیمه خشک مطرح بوده اند . شبیه سازی سیستم آبهای زیرزمینی به دلیل پیچیدگی این سیستمها به آسانی میسر نیست. هدف از این پژوهش، پیش بینی نوسانات تراز آب زیرزمینی دشت شبستر وا أکثر

  آبهای زیرزمینی، همواره به عنوان یکی از منابع مهم و عمده تأمین آب شرب و کشاورزی به ویژه در مناطق خشک و نیمه خشک مطرح بوده اند . شبیه سازی سیستم آبهای زیرزمینی به دلیل پیچیدگی این سیستمها به آسانی میسر نیست. هدف از این پژوهش، پیش بینی نوسانات تراز آب زیرزمینی دشت شبستر واقع در جنوب استان آذربایجان شرقی با استفاده از شبک ههای عصبی مصنوعی می باشد. به منظور آموزش مدل، از اطلاعات 15 پیزومتر که دارای آمار تراز سطح ایستابی با سری زمانی 9 ساله (1380-1388) بودند و در کل دشت پراکندگی یکنواختی داشتند استفاده شد. پارامترهای دما، بارش، دبی خروجی دریان چای و تراز آب زیرزمینی هر یک از پیزومترها با تأخیر زمانی t0-1 (ماه قبل) به صورت ماهانه، چهار ورودی اصلی شبکه های عصبی مصنوعی را تشکیل دادند. مقدار تراز آب زیرزمینی نیز تنها خروجی این شبکه را شامل می شود. نتایج این تحقیق نشان داد که شبکه عصبی مصنوعی با تابع آموزشی TRAINLM و تابع محرک TANSIG، قادر به پیش بینی سطح آب زیرزمینی ماهانه در بازه زمانی 3 ساله با دقت بالای R2= 99.63 (RMSE=1.43) در مرحله آموزش و R2=99.16 (RMSE= 1.167) در مرحله صحت سنجی در محدوده مورد مطالعه است. تفاصيل المقالة