مدلسازی پارامترهای کیفی SAR ، EC و TDS در آب زیرزمینی با استفاده از مدل شبکه عصبی مصنوعی بهینه شده (مطالعه موردی: دشت بهبهان)

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 297

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JEWE-6-2_006

تاریخ نمایه سازی: 9 اردیبهشت 1400

چکیده مقاله:

مدل­سازی مناسب کیفیت آب زیرزمینی از ابزارهای مهم برنامه­ریزی و تصمیم­گیری در مدیریت منابع آب است. پژوهش حاضر بهمنظور شبیهسازی پارامترهای کیفی آب زیرزمینی دشت بهبهان شامل SAR، EC و TDS با استفاده از مدلهای ANN و ANN+PSO و درنهایت مقایسه نتایج آنها با دادههای اندازهگیری شده، انجام شد. اطلاعات ورودی به مدلها برای پارامتر کیفی TDS شامل هدایت الکتریکی، نسبت جذبی سدیم، سولفات، کلسیم، منیزیم و سدیم و برای پارامتر کیفی SAR شامل مقدار کل نمکهای محلول، سدیم، بیکربنات و برای پارامتر کیفی EC شامل سولفات، کلسیم، منیزیم و نسبت جذبی سدیم، از سال ۱۳۸۹ تا ۱۳۹۶ جمعآوریشد. نتایج نشان داد بالاترین دقت شبیه­سازی پارامترهای کیفی EC و TDS مربوط به مدل ANN+PSO با تابع محرک تانژانت سیگموئیدی و برای پارامتر SAR مربوط به مدل ANN+PSO با تابع محرک لگاریتم سیگموئیدی بود طوریکه مقدار آمارههای RMSE و MAE کم­ترین مقدار و  بیش­ترین مقدار را برای مدل مذکور داشت. در مرحله آزمون، برای پارامتر EC مقدار ۶۱/۱۴RMSE=، ۲۷/۹MAE=، ۴۱/۰NRMSE =، ۹۴۲/۰ EF =و ۹۶/۰= R۲و برای پارامتر TDS، مقدار ۲۱/۲۲RMSE=، ۳۲/۱۸MAE=، ۳۹۸/۰NRMSE =، ۹۲۵/۰EF = و ۸۳۶/۰= R۲و برای پارامتر SAR مقدار ۴۵/۹RMSE=، ۲/۷MAE=، ۳۰۱/۰NRMSE =، ۹۷۴/۰ EF = و ۹۸۲/۰= R۲محاسبه شد. همچنین نتایج آزمون مقایسه میانگین­ها بین داده­های اندازه­گیری و شبیهسازیشده نشان داد، بین مقادیر شبیهسازیشده به­وسیله مدل­ها با داده­های اندازه­گیری شده اختلاف معنی­دار وجود نداشت.

کلیدواژه ها:

آب زیرزمینی ، پارامترهای کیفی ، شبیهسازی ، مدل شبکه عصبی مصنوعی

نویسندگان

کیمیا آهنین جان

دانشجوی کارشناسیارشد، گروه مهندسی عمران، دانشکده فنی و مهندسی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران

اصلان اگدرنژاد

استادیار، گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • Abbasi P., Mehrdadi N., Nabi R. and Zare Abyaneh H. ...
  • Arumugam M. S. and Rao M. V. C. (2008). On ...
  • Asadollahfardi A., Taklifi Gh. and Ghanbari A. (2012). Application of ...
  • Asgari M. S., Arya Far A. and Darvari Z. (2013). ...
  • Banejad H., Kamali M., Amirmoradi K. and Olyaie F. (2013). ...
  • Daryaee M., Eigder Nejad A., Bina M. and Radmanesh F. ...
  • Eberhart R. and Shi Y. (2000). Comparing inertia weights and ...
  • Gholami V., Derakhshan Sh. and Darvari Z. (2013). Investigation of ...
  • Kanda E. K., Kipkorir E. C. and Kosgei J. R. ...
  • Hill M. (1998). Methods and guidelines for effective model calibration. ...
  • Kurepazan A. (2004). The principles of fuzzy set theoryand its ...
  • Mirzavand M., Sadati Nrjad M. and Akbari M. (2015). Simulation ...
  • Musavi-Jahromi Sh. and Golabi M. (2008). Application of artificial neural ...
  • Minhaj M. B. (2005). Fundamentals of artificial neural networks. Amirkabir ...
  • Nasr M. and Farouk H. (2014). Using of pH as ...
  • Peeri H. and Bameri A. (2015). Estimation of sodium absorption ...
  • Poormohammadi S., Malekinezhad H. and Poorshareyati R. (2013).Comparison of ANN ...
  • Sayadi Shahraki A., Soltani Mohammadi A., Naseri A. A. and ...
  • Sayadi Shahraki F. and Sayadi Shahraki A. (2019). Simulation of ...
  • Soltani Mohammadi A., Sayadi Shahraki A. and Naseri A. A. ...
  • نمایش کامل مراجع