نمونه ترجمه فارسی به انگلیسی

ترجمه فارسی به انگلیسی

ترجمه فارسی به انگلیسی

ترجمه فارسی به انگلیسی

چكيده

پیش بینی سطح ایستابی آب زیرزمینی دشت امامزاده جعفر با استفاده از نرم افزار مادفلو و شبکه های عصبی مصنوعی

 

 ترجمه فارسی به انگلیسی

امروزه مطمئن‌ترین روش تأمین آب در مناطق خشک و نیمه خشک، استفاده از منابع آب زیرزمینی است و همواره به دليل برداشت‌های بیش از ظرفیت آبخوان‌ها، بیشتر دشت‌ها و خصوصأ دشت امامزاده جعفر با بیلان و عملکرد منفی مواجه هستند و خطر نشست زمين و عدم احياء آبخوان‌ها آنها را تهديد می‌نماید.

ضرورت تأمین آب شرب شهر گچساران و بخشی از روستاها، توسعه کشاورزی در منطقه و افزایش تقاضای آب به دلیل موقعیت خاص دشت، موجب افت شدید سطح آب زیرزمینی آبخوان (کاهش متوسط سالیانه 5/1 متری ) مورد مطالعه شده است.

دشت با متوسط بارش سالیانه 438 میلیمتر، دارای 169 حلقه چاه عمیق و نیمه عمیق با برداشت 68/36 میلیون مترمکعب آب در سال مواجه است.

که این مسئله اهمیت و ضرورت تحقیق را مضاعف نموده است.

به منظور حفظ و احیاء حیات آبخوان نیاز به پیش‌بینی دقیق سطح آب زیرزمینی در شرایط مختلف می باشد. که در این پژوهش با استفاده از معادله بیلان آبی و نرم‌افزارهای Modflow و Artificial Neoural Network (ANN) این کار انجام پذیرفت .

دو مدل ANN و MODFLOW مورد مقايسه و ارزیابی دقیق قرارگرفتند که مدل MODFLOW کارایی بهتری نسبت به مدل ANN جهت پیش بینی سطح آب زیرزمینی آبخوان امامزاده جعفر داشت.

ترجمه فارسی به انگلیسی

در نهایت هفت سناریو پیش‌‌بینی و مورد تجزیه و تحلیل قرار گرفتند. برآوردهای سطح آب زیرزمینی برای پریودهای زمانی کوتاه مدت ( 2 سال)، میانمدت (4 سال) و بلند مدت (12 سال) صورت پذیرفته است.

نتایج نشان داد، عملکرد و بیلان آبی دشت به دلیل افزایش برداشت‌‌های آب نسبت به میزان تغذیه آبخوان منطقه، منفی می‌باشد. به گونه‌‌ای که سناریوهای 1، 3، 4، 5 و 7 منفی و سناریوهای 2 و 6 در پریودهای زمانی مختلف تغییرات حجم ذخیره آب زیرزمینی مثبت می باشند.

واژه‌های كليدي: معادله بیلان آبی، سطح آب زیرزمینی، شبکه عصبی مصنوعی  (ANN)، MODFLOW، سناریوها، پرویدهای زمانی کوتاه مدت- میانمدت و بلند مدت.ترجمه فارسی به انگلیسی

Summary

Determining the mean level of Imamzade Jafar ‘s underground water using  Modflow software and Artificial Neoural Network

Today ,the safest way of supplying water to dry lands and semi-Arid dry lands is using the underground water sources. However, most fields , especially Imamzade Jafar field , are facing negative balance and negative functionality due to overusing their water capacity. They are also in danger of  land subsidence and being unable to restore their aquifers. The necessity of supplying drinking water to Gachsaran town and some parts of its’ villages, agricultural developments in the area and the increasing demand for water due to the special condition of the field has led to extreme subsidence (average decrease of 1.5 m per year) in the levels of aquifers under study. The field with the average precipitation of 438 mm per year, has 169 rings of deep and semi-deep wells which face the consumption of 36/68 million m2 per year. This issue has added to the value and the necessity of our  research. In order to maintain and restore  aquifers , we need accurate prediction of levels of underground water in different situations. In this study, it’s achieved by using water balance equations, Modflow software and Artificial Neoural Network (ANN). The two model of ANN  and  MODFLOW have been compared and evaluated , which in the end , MODFLOW model showed better performance at predicting the level of Imamzade Jafar’s underground water compared to ANN. Consequently, 7 predicting scenarios were determined and analysed. The level estimation of underground water for short-term periods (2 years), medium-term periods ( 4 years) and long-term periods ( 12 years)  has been performed. The results show that performance and water balance of the field is negative due to increasing water consumption with respect to the value of  areas’ water feeding , in which scenario 1,3,4,5 and 7 were negative and scenario 2 and  6 showed  positive variation of underground waters’ ترجمه فارسی به انگلیسیstored volume.

Keywords : water balance equation, level of underground water, Artificial Neoural Network (ANN), MODFLOW, scenarios, short-term , medium-term and long-term periods.