جیران عسکری؛ اصلان اگدرنژاد
چکیده
زمینه و هدف: آب زیرزمینی یک منبع مهم آب در جهان به‌شمار می‌رود و مطالعه سطح آب زیرزمینی و شوری آب ریرزمینی برای حفاظت و برنامه‌ریزی در خصوص منابع آب، به‌خصوص در مناطق خشک و نیمه‌خشک مانند ایران اهمیت به‌سزایی دارد. انجام آزمایش‌های کمی و کیفی، زمان‌بر و پرهزینه است. بنابراین، استفاده از مدل‌ها برای شبیه‌سازی کمیت وکیفیت آب زیرزمینی ...
بیشتر
زمینه و هدف: آب زیرزمینی یک منبع مهم آب در جهان به‌شمار می‌رود و مطالعه سطح آب زیرزمینی و شوری آب ریرزمینی برای حفاظت و برنامه‌ریزی در خصوص منابع آب، به‌خصوص در مناطق خشک و نیمه‌خشک مانند ایران اهمیت به‌سزایی دارد. انجام آزمایش‌های کمی و کیفی، زمان‌بر و پرهزینه است. بنابراین، استفاده از مدل‌ها برای شبیه‌سازی کمیت وکیفیت آب زیرزمینی متداول شده است. در دهه‌های اخیر به سبب پیچیدگی و خصوصیات غیر خطی سیستم-های آب زیرزمینی، مدلهای هوش مصنوعی برای شبیه‌سازی آبخوان‌ها مورد آزمایش قرار گرفته‌اند.مواد و روش‌ها: پژوهش حاضر به منظور شبیه‌سازی پارامترهای سطح آب زیرزمینی و شوری آب زیرزمینی دشت دزفول- اندیمشک با استفاده از مدلهای ANN و ANN+GA و درنهایت مقایسه نتایج آن‌ها با داده‌های اندازه‌گیری شده، انجام گرفته است. اطلاعات جمع‌آوری شده برای ورودی به دو مدل شامل داده‌های هواشناسی و پارامترهای کیفی آب زیرزمینی طی سال‌های 1390 تا 1397 به‌صورت ماهانه از 76 چاه می‌باشد.یافته‌ها: نتایج نشان داد، مدل بهینه برای شبیه‌سازی سطح آب زیرزمینی ANN+GA با تابع محرک تانژانت سیگموئید و مدل بهینه برای شبیه‌سازی شوری آب زیرزمینی ANN+GA با تابع محرک لگاریتم سیگموئید می‌باشد. به‌طوریکه مقدار آماره‌های RMSE و MAE کمترین مقدار و بیشترین مقدار را برای مدلهای مذکور دارد (در مرحله آزمون، برای پارامتر سطح آب زیرزمینی مقدار 47/7RMSE=، 5/9 MAE=و 979/0= R2و برای پارامتر شوری آب زیرزمینی مقدار 8/6RMSE=، 47/7 MAE= و 99/0= R2محاسبه گردید).نتیجه‌گیری: بنابراین بهینه‌سازی مدل شبکه عصبی مصنوعی با استفاده از الگوریتم ژنتیک بسیار مفید، موثر و همچنین باعث کاهش خطا و صرفه‌جویی در زمان و هزینه می‌گردد.