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.
سید علی محمدی نژاد؛ اصلان اگدرنژاد
چکیده
پژوهش حاضر به منظور شبیهسازی پارامترهای کیفی آب زیرزمینی دشت زیدون شامل SAR ، EC و TDS با استفاده از مدلهای ANN و ANN-GA و درنهایت مقایسه نتایج آنها با داده‌های اندازه‌گیری شده، انجام گرفته است. این دشت با مساحتی حدود 1034 کیلومتر مربع در جنوب غربی شهرستان بهبهان واقع شده و دارای اقلیم خشک و بیابانی است. پارامترهای ورودی مدل‌ها برای پارامتر ...
بیشتر
پژوهش حاضر به منظور شبیهسازی پارامترهای کیفی آب زیرزمینی دشت زیدون شامل SAR ، EC و TDS با استفاده از مدلهای ANN و ANN-GA و درنهایت مقایسه نتایج آنها با داده‌های اندازه‌گیری شده، انجام گرفته است. این دشت با مساحتی حدود 1034 کیلومتر مربع در جنوب غربی شهرستان بهبهان واقع شده و دارای اقلیم خشک و بیابانی است. پارامترهای ورودی مدل‌ها برای پارامتر کیفی TDS شامل سدیم، هدایت الکتریکی، کلسیم، منیزیم، سولفات و نسبت جذب سدیم و برای پارامتر کیفی SAR شامل سدیم، کل نمک‌های محلول، بی‌کربنات، کلسیم و منیزیم و برای پارامتر کیفی EC شامل کلسیم، منیزیم، سولفات، سدیم و نسبت جذب سدیم از سال 1390 تا 1397 جمعآوری گردید.نتایج نشان داد، در مدل ANN و ANN-GA بیشترین دقت شبیهسازی SAR در مدل با تابع تانژانت سیگموئید، در مدل شبیه‌ساز EC هم بیشترین دقت در مدلهای ANN و ANN-GA به‌ترتیب مربوط به توابع محرک لگاریتم سیگموئید و تانژانت سیگموئید می‌باشد. همچنین در مدل ANN و ANN-GA بیشترین دقت شبیهسازی TDS به‌ترتیب در مدل با توابع محرک تانژانت سیگموئید و لگاریتم سیگموئید به‌دست آمد. بهطوریکه مقدار RMSE و MAE کمترین مقدار و شاخص R2 بیشترین مقدار را دارد. به‌طور کلی با توجه به نتایج بدست آمده، دقت مدل ANN-GA هم بالاتر از مدل ANN، برای شبیهسازی پارامترهای کیفی آب زیرزمینی دشت زیدون برآورد شده است.بنابراین استفاده از مدل شبکه عصبی مصنوعی به‌همراه الگوریتم ژنتیک ابزار مناسبی برای شبیهسازی پارامترهای کیفی آب زیرزمینی در حجم بالا، بدون احتیاج به اندازه‌گیری و کارهای آزمایشگاهی که نیاز به زمان و هزینه بالا دارند، می‌باشد.
علیرضا کریمیان؛ اصلان اگدرنژاد
چکیده
چکیدهزمینه و هدف: مدلسازی آبهای زیرزمینی بهدلیل کارایی بالا و هزینههای کمتر نسبت به روشهای دیگر، بهعنوان ابزار مدیریتی منابع آب مورد توجه قرار گرفته است. در این راستا تعداد زیادی مدل در زمینه مدیریت بهتر برای حفظ منابع آب گسترش یافته است. بیشتر این مدل‌ها نیازمند پارامترهای ورودی هستند که یا دسترسی به آنها مشکل ...
بیشتر
چکیدهزمینه و هدف: مدلسازی آبهای زیرزمینی بهدلیل کارایی بالا و هزینههای کمتر نسبت به روشهای دیگر، بهعنوان ابزار مدیریتی منابع آب مورد توجه قرار گرفته است. در این راستا تعداد زیادی مدل در زمینه مدیریت بهتر برای حفظ منابع آب گسترش یافته است. بیشتر این مدل‌ها نیازمند پارامترهای ورودی هستند که یا دسترسی به آنها مشکل است و یا اینکه اندازه‌گیری آنها محتاج صرف هزینه و زمان زیادی می‌باشد. در این میان مدلهای شبکه عصبی مصنوعی که با الهام از ساختار مغز بشر عمل می‌نمایند، بهعنوان گزینه‌ای برتر معرفی می‌شوند. مطالعه حاضر با هدف شبیهسازی پارامترهای شوری و سطح آب زیرزمینی دشت رامهرمز انجام شد.مواد و روشها: پژوهش حاضر به منظور شبیهسازی پارامترهای سطح آب زیرزمینی و شوری آب زیرزمینی دشت رامهرمز با استفاده از مدل شبکه عصبی مصنوعی و مدل شبکه عصبی مصنوعی بهینه شده و در نهایت مقایسه نتایج آنها با داده‌های اندازه‌گیری شده، انجام گرفت. اطلاعات جمعآوری شده برای ورودی به دو مدلهاشامل بارندگی، حداقل دما، حداکثر دما، میانگین دما، حداقل رطوبت نسبی، حداکثر رطوبت نسبی، میانگین رطوبت نسبی، سرعت باد در ارتفاع 2 متری و مجموع ساعات آفتابی طی سالهای 1390 تا 1396 بود.یافتهها: بر اساس نتایج، بالاترین دقت پیش‌بینی پارامترهای سطح آب زیرزمینی و شوری آب زیرزمینی مربوط به مدل ANN+PSO با تابع محرک تانژانت سیگموئیدی بود؛ بهطوریکه مقدار آماره‌های جذر میانگین مربعات خطا و میانگین خطا مطلق کمترین مقدار و ضریب تعیین بیشترین مقدار را برای مدل مذکور داشت.نتیجهگیری: با توجه به کارایی بالای مدل شبکه عصبی مصنوعی با آموزش الگوریتم بهینهسازی تجمع ذرات، می‌توان از این مدل جهت اتخاذ تصمیمات مدیریتی و حصول اطمینان از نتایج پایش و کاهش هزینه استفاده کرد.نوع مقاله: اصیل پژوهشیکلید واژه‌ها: سطح آب زیرزمینی، شبیهسازی، شوری آب زیرزمینی، مدل شبکه عصبی مصنوعی