نوع مقاله : مقالات پژوهشی
نویسندگان
1 گروه مهندسی عمران، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران..
2 استادیار، گروه علوم و مهندسی آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.
چکیده
چکیده
زمینه 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 پژوهشی
کلید واژه‌ها: سطح آب زیرزمینی، شبیهسازی، شوری آب زیرزمینی، مدل شبکه عصبی مصنوعی
کلیدواژه‌ها
عنوان مقاله [English]
Simulation of groundwater level and groundwater salinity parameters of Ramhormoz plain using artificial neural network model and optimized artificial neural network model
نویسندگان [English]
- Ali Reza Karimiyan 1
- Aslan Egdernezhad 2
1 Department of Civil Engineering, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran.
2 Assistant Professor, Department of Water Sciences and Engineering, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran.
چکیده [English]
Abstract
Background and Aim: Because of their high effectiveness and fewer expenses than other methods, groundwater models have been developed and used by hydrogeologists as water resource management tools. In this regard, many models have been developed, which propose better management to protect water resources. Most of these models require input parameters that are hardly available or their measurements are time-consuming and expensive. Among them, Artificial Neural Network (ANN) models inspired by the human brain are a better choice.
Materials and Methods: The present study simulated the groundwater level and salinity in Ramhormoz plain using ANN and ANN+PSO models and compared their results with the measured data. The data collected as inputs of the two models included minimum temperature, maximum temperature, average temperature, wind speed at 2 m altitude, minimum relative humidity, maximum relative humidity, average relative humidity, and sunshine hours gathered from 2011 to 2017.
Results: The results indicated that the highest prediction accuracy of groundwater level and salinity was achieved by the ANN-PSO model with the logarithm sigmoid activation function. Thus, the MAE and RMSE statistics had the minimum and R^2 had the maximum value for the model.
Conclusion: Considering the high efficiency of artificial neural network models with Particle Swarm Optimization algorithm training, it can be used to make managerial decisions, ensure the results of monitoring, and reduce costs.
Keywords: Groundwater Level; Simulation; Groundwater Salinity; Artificial Neural Networks Model
کلیدواژه‌ها [English]
- Groundwater level
- Simulation
- Groundwater salinity
- Artificial Neural Networks model
- Feeroozkoohi, R. Simulation of groundwater resources in Aghili Gotvand plain using mathematical model of finite differences. [Doctorate Thesis]. University of shahid chamran, Ahvaz, Iran. 2011; 127 pp [In Persian].
- Ahmadi Z, Safavi H. R, Zekti M, Bijami, A. Predicting the depth of groundwater water table using particle optimization algorithm. 10ed Int. Conf. International Civil Engineering, Tabriz, Iran. 2015. pp. 1-6. [In Persian].
- Sayadi Shahraki A, Soltani Mohammadi A, Naseri A. A, Mokhtaran A. Simulation of groundwater salinity using Artificial Neural Network (ANN), Particle Swarm Optimization (PSO) and model SEAWAT (Case study: Debal khazaie sugarcane plantation). Journal of Water and Soil Conservation. 2017; 23(5): 307-316 [In Persian].
- Ebadi Y, Javdan J, Rezaei Moghaddam M. H. Assessing the Accuracy of Artificial Neural Networks and Geostatistics in Measuring Groundwater Level Case Study: Shabestar Plain – Sufian. Journal of Geographic Information. 2019; 28(110): 133-145 [In Persian].
- Sebghati M, Gholami V. Groundwater salinity simulation by combining the capabilities of artificial neural network and GIS on the southern shores of the Caspian Sea. Journal of Irrigation Science and Engineering. 2019; 42(4): 181-194 [In Persian].
- Nasr M, Zahran H. F. Using of pH as a tool to predict salinity of groundwater for irrigation purpose using artificial neural network. Egyptian Journal of Aquatic Research. 2014; 40(2): 111-115.
- Gong Y, Zhang Y, Lan S, Wang H. A comparative study of artificial neural networks, support vector machines and adaptive neuro fuzzy inference system for forecasting groundwater levels near Lake Okeechobee, Florida. Water resources management. 2016; 30(1): 375-391.
- Dayhoff J. E. Neural Network Principles. Prentice-Hall International, U.S.A.1990.
- Khanna T. Foundation of neural networks. Addison-Wesley Publishing Company, U.S.A. 1990.
- Arumugam M.S, Rao M.V.C. On the improved performances of the particle swarm optimization algorithms with adaptive parameters, cross-over operators and root mean square (RMS) variants for computing optimal control of a class of hybrid systems. Applied Soft Computing Journal. 2008; 8: 324–336.
- Rahmani Gh. R. Simulation of Aghili Plain Groundwater Resources Using Artificial Neural Networks and Its Comparison with the Results of the Finite Difference Mathematical Model. [Msc Thesis]. University of shahid chamran, Ahvaz, Iran. 2011; 150 pp [In Persian].
- Kamasi M, Sharghi S, Nourani V. Identification of Factors Affecting Groundwater Level Reduction Using Wavelet-Entropy Criterion (Case Study: Silakhor Plain Aquifer). Hydrogeomorphology. 2016; 9 (4): 63-86 [In Persian].
- Zhang M. Information-Stataistics evaluation on the effects of ground water buried depth to upper soil and groundwater salinity, China postdoctoral preceding science press, Beijng,China. 2001; 221-224 pp.
- Alipour Z. Evaluation of Adaptive Fuzzy-Neural Inference System and Neural Network in Groundwater Level Prediction (North Mahyar Plain). [Msc Thesis]. University of shahid chamran, Ahvaz, Iran. 2012; 177 pp [In Persian].
- Soltani Mohammadi A, Sayadi Shahraki A, Naseri A.A. Simulation of Groundwater Quality Parameters Using ANN and ANN+PSO Models (Case Study: Ramhormoz Plain). Journal of Pollution. 2016; 3(2): 191-200.
- Keykhosravi S. S, Nejadkoorki F, Amintoosi M. Estimation of Artificial Neural Networks Accuracy in Anticipation of the Dust of the Sabzevar Cement Factory. Journal of Research in Environmental Health. 2019; 5(1): 43-52.
- Hamed Y, Elkili M. Prediction of future groundwater level using artificial Neural Network, southernriyadh, ksa (CASE STUDY). International Water Technology Journal. 2015; 5: 149-162.
- Ahaninjan K, Egdernezhad A. Modeling Qualitative Parameters of SAR, EC, and TDS in Groundwater using Optimized Artificial Neural Network Model (Case Study: Behbahan Plain). Journal of Environment and Water Engineering. 2020; 6(2): 161-172 [In Persian].
)