حیدر آریانژاد

آلودگی های محیط زیستی، نوسانات قیمت و پایان پذیر بودن منابع انرژی فسیلی مورد استفاده در نیروگاه ها باعث روی آوردن به منابع انرژی جایگزین شده است. استفاده از انرژی های پایدار به خصوص انرژی خورشیدی می تواند بهترین گزینه برای تامین انرژی در نیروگاه های تولید برق باشد. گام اول برای توسعه استفاده از انرژی خورشیدی مکان یابی نواحی است که در آن انرژی خورشیدی در حد مطلوب و دیگر شرایط لازم احداث نیروگاه را دارا باشد، است. در این تحقیق، سیستم اطلاعات جغرافیایی مبتنی بر منطق فازی، که قابلیت های متعدد آن ها در حل مسائل پیچیده مکانی به اثبات رسیده است، به منظور تصمیمگیری در زمینه این مساله بکار گرفته شده است. استان هرمزگان پتانسیل بالایی را جهت بهره برداری از انرژی خورشیدی دارد. به این منظور ابتدا با توجه به مطالعات پژوهشگران مختلف و همچنین نظر کارشناسان اداره برق منطقه ای استان هرمزگان معیارهای مناسب جهت احداث نیروگاه تعیین شد. معیارهای مورد استفاده در مکان یابی مناطق مستعد در این استان ساعات آفتابی، شیب، فاصله از مناطق جمعیتی، فاصله از راه ها، فاصله از خطوط انتقال نیرو، کاربری اراضی و لایه محدودیت ها در نظر گرفته شد. اطلاعات مورد نیاز از منابع گوناگون استخراج و بصورت لایه های اطلاعاتی به محیط نرم افزار ACGIS10 معرفی شدند. وزن های معیارها با استفاده از روش تحلیل سلسله مراتبی استخراج شده و به منظور تلفیق لایه ها از مدل فازی استفاده شد. بر اساس این روش 22524.115کیلومتر مربع از مساحت استان هرمزگان در طبقه خیلی خوب، جهت احداث نیروگاههای خورشیدی حرارتی قرار گرفت.

قسمت اعظم مساحت کشور از لحاظ جغرافیایی در کمربند خشک و نیمه خشک با بارندگی کم قرار گرفته است. در نواحی فلات مرکزی و جنوبی اجتماعات شهری و روستایی با اتکاء به منابع آب زیر زمینی شکل گرفته و این منابع عمده ترین تامین کننده نیازهای آبی در این مناطق محسوب می شود. رشد روز افزون جمعیت و محدودیت منابع آبی لزوم پیش بینی دقیق مقدار این منابع را به دلیل اهمیت در برنامه ریزی و مدیریت بهینه می طلبد. پیش بینی سطح ایستابی با استفاده از ابزارها و روش های نوین مدلسازی می تواند کمک شایانی به برنامه ریزی و تصمیم گیری بهینه جهت تامین دراز مدت آب نماید. هدف از این تحقیق تخمین سطح ایستابی آبخوان سرخون استان هرمزگان با استفاده از شبکه عصبی و بهره مندی از قانون Gradient Descent می باشد. این روش با استفاده از ارتباط ذاتی داده ها، روابط غیر خطی بین آن ها را یاد گرفته و نتایج را برای بقیه حالت ها تعمیم می دهد به منظور آموزش مدل از اطلاعات 10چاه مشاهده ای که دارای آمار 24ساله بودند استفاده گردید70درصد داده ها به عنوان داده های آموزشی به مدل معرفی و20درصد داده ها به عنوان تست برای اعتبار سنجی به کار برده شد. نتایج این روش, تراز سطح ایستابی آبخوان سرخون برای سال1400را بین22تا72متر در مناطق مختلف پیش بینی می کند. ارزیابی این مدل با خطای RMSE بین 0.00125- تا0.0509و همچنین خطای MEA بین 0.0012- تا 0.049 کارایی مدل شبکه عصبی Gradient Descent را در پیش بینی سطح ایستابی منابع زیر زمینی نشان می دهد.