نوع مقاله : مقالات پژوهشی

نویسندگان

• فریبرز بهرامی ¹
• اصلان اگدرنژاد ²

¹ دانشجوی کارشناسی ارشد مدریت منابع آب، 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

زمینه و هدف: به‌دلیل پیچیدگی­های موجود در سیستم­های آب زیرزمینی و همچنین محدودیت­های موجود، مدل­سازی آب­های زیرزمینی به آسانی میسر نمی­باشد، اما مدل شبکه عصبی مصنوعی، دارای توانایی بالایی در مدل­سازی سیستم­های پیچیده و غیرخطی هستند و از طرفی روش­های زمین آماری هم در مدل­سازی آب زیرزمینی دارای دقت مناسبی می­باشند.
مواد و روش‌ها: هدف از پژوهش حاضر، شبیه‌سازی پارامترهای کیفی آب زیرزمینی (SAR، TDS و EC) دشت دزفول اندیمشک با استفاده از مدل‌های ANN-PSO و زمین آمار می‌باشد. بدین‌منظور از اطلاعات 61 حلقه چاه مشاهده­ای موجود در دشت دزفول- اندیمشک استفاده شد. ورودی‌های مدل شبکه عصبی شامل پارامترهای کیفی SO₄^2-، pH، HCO₃^2-، Na⁺، Mg²⁺، Ca²⁺، TDS، SAR و EC در نظر گرفته شد.
یافته­ ها: بر اساس نتایج حاصل از شبیه­سازی با مدل شبکه عصبی مصنوعی، بالاترین دقت مدل ANN-PSO در شبیه­سازی به­ترتیب مربوط به پارامترهای EC، SAR و TDS و بر اساس نتایج حاصل از درون­یابی با روش زمین‌آمار، بالاترین دقت مدل کریجینگ در شبیه­سازی به­ترتیب مربوط به پارامترهای EC، TDS و SAR بود. نتایج کلی حاصل از شبیه­سازی پارامترهای کیفی آب زیرزمینی نشان داد که مدل ANN-PSO دقت بیشتری در شبیه­سازی پارامترهای کیفی آب زیرزمینی دشت درفول اندیمشک نسبت به مدل کریجینگ دارد؛ به­طوری­که مقدار R² برای شبیه­سازی پارامترهای SAR، TDS و EC با استفاده از مدل ANN-PSO در مرحله آزمون به‌ترتیب 92/0، 918/0 و 955/0 و با استفاده از مدل کریجینگ 902/0، 915/0 و 931/0 برآورد شد.
نتیجه‌گیری: نتایج این پژوهش نشان داد، تلفیق مدل­های شبکه عصبی مصنوعی با الگوریتم­های بهینه­سازی، به‌عنوان ابزاری مفید برای شبیه­سازی پارامترهای کیفی آب زیرزمینی کاربرد دارند.

کلیدواژه‌ها

• آب زیرزمینی
• پارامترهای کیفی
• زمین آمار
• مدل سازی

عنوان مقاله [English]

Comparison of Artificial Neural Network and Kriging models in predicting groundwater quality parameters (SAR, TDS and EC) of Dezful Andimeshk plain

نویسندگان [English]

• Fariborz Bahrami ¹
• Aslan Egdernezhad ²

¹ M.Sc. Student, 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]

Background and Purpose: Due to the complexities in the nature of ground water systems, it sounds like a demanding job to model either the time or the location of ground water. However, artificial neural networks have a high capability to model both complicated and non-linear models. Besides, Geostatistic Methods are, to a good extent, accurate in modelling ground water.
Material and Methods: The aim of this study is to simulate groundwater quality parameters (SAR, TDS and EC) of Dezful Andimeshk plain using ANN-PSO and geostatistical models. For this purpose, information from 61 observation wells in Dezful-Andimeshk plain has been used. Neural network model inputs including qualitative parameters SO₄^2- ، pH ، HCO₃^2-، Na⁺، Mg²⁺، Ca²⁺، TDS، SAR and EC were considered.
Results: The results of simulation with intelligent model showed that the highest accuracy of ANN-PSO model in simulation is related to EC, SAR and TDS parameters, respectively. The results of interpolation by geostatistical method showed that the highest accuracy of Kriging model in simulation is related to EC, TDS and SAR parameters, respectively. The general results obtained from the simulation of groundwater quality parameters showed that the ANN-PSO model is more accurate in simulating the groundwater quality parameters of the plain in Andimeshk than the Kriging model. So that the value of R2 for simulating SAR, TDS and EC parameters using ANN-PSO model in the test phase is 0.92, 0.918 and 0.955 respectively and using kriging model is 0.902. 0.915 and 0.931 were estimated.
Conclusion: The results of this study also showed that the combination of intelligent models with optimization algorithms is used as a useful tool to simulate groundwater quality parameters.

کلیدواژه‌ها [English]

• Groundwater
• Quality Parameters
• Geostatistics
• Modeling