Nous utilisons des cookies pour améliorer votre expérience. Pour nous conformer à la nouvelle directive sur la vie privée, nous devons demander votre consentement à l’utilisation de ces cookies. En savoir plus.
Prediction des teneurs en metaux lourds par reseau de neurone
Univ Europeenne - EAN : 9783330869370
Édition papier
EAN : 9783330869370
Paru le : 1 nov. 2018
49,90 €
47,30 €
Disponible
Pour connaître votre prix et commander, identifiez-vous
Notre engagement qualité
-
Livraison gratuite
en France sans minimum
de commande -
Manquants maintenus
en commande
automatiquement -
Un interlocuteur
unique pour toutes
vos commandes -
Toutes les licences
numériques du marché
au tarif éditeur -
Assistance téléphonique
personalisée sur le
numérique -
Service client
Du Lundi au vendredi
de 9h à 18h
- EAN13 : 9783330869370
- Réf. fournisseur : 2971193
- Editeur : Univ Europeenne
- Date Parution : 1 nov. 2018
- Disponibilite : Disponible
- Barème de remise : NS
- Nombre de pages : 108
- Format : H:229 mm L:152 mm E:7 mm
- Poids : 170gr
- Interdit de retour : Retour interdit
- Résumé : Le présent travail porte sur la prédiction des teneurs en métaux lourds (Zn, Cu, Pb et Mn) dans les sédiments superficiels du barrage Sidi Chahed à partir d'un certain nombre de paramètres physico-chimiques, en utilisant deux outils de modélisation : la régression linéaire multiple RLM et les réseaux de neurones artificiels RNA. Pour atteindre cet objectif de prédiction et de modélisation, la régression linéaire multiple et non linéaire ont été réalisée avec XLSTAT alors que les réseaux de neurones ont été effectués avec le logiciel STATISTICA 10. mLes modèles prédictifs obtenus avec les réseaux de neurones utilisent un algorithme de rétro-propagation et un apprentissage supervisé. Ils sont performants avec une seule couche cachée et une architecture de [18 - 15 -1] pour le plomb et le zinc, de [18-11 -1] pour le manganèse et de [18 - 8 -1] pour le cuivre. Les résultats montrent que les modèles prédictifs établis par la méthode des réseaux de neurones artificiels, sont nettement plus performants comparativement à ceux établis par la méthode basée sur la régression linéaire multiple.
