تهیه مدل MOPSO-GS جهت طراحی شبکه بهینه پایش کیفی آب زیرزمینی (مطالعه موردی دشت نیشابور)

سال انتشار: 1398
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 290

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

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JWIM-9-2_003

تاریخ نمایه سازی: 3 مرداد 1400

چکیده مقاله:

بهینه سازی شبکه پایش، یک فرآیند تصمیم گیری برای داشتن بهترین ترکیب در بین ایستگاه های موجود است. به دلیل ملاحظات اقتصادی و کاستن از هزینه های پایش، رویکرد بهینه سازی در این پژوهش، کاهش ایستگاه های پایش بدون کاهش میزان و دقت اطلاعات حاصل می باشد. درتحقیق حاضر طراحی بهینه شبکه پایش کیفی آب زیرزمینی به کمک مدلی بر پایه بهینه سازی در دشت نیشابور انجام گرفته است. بهینه سازی شبکه چاه ها توسط الگوریتم دو هدفه ازدحام ذرات (MOPSO) با اهداف کمینه نمودن مقدار ریشه مربعات میانگین خطا (RMSE) و کمینه نمودن تعداد چاه ها اجرا شد. در بخش شبیه سازی مسئله از روش درون یابی کریجینگ برای مقادیر غلظت کلراید آب زیرزمینی محاسباتی استفاده شد و با مقادیر مشاهداتی مقایسه شدند. نتایج این تحقیق، ارائه یک جبهه پارتو با نمایش تعداد چاه در مقابل RMSE متناظر آن بود که می تواند دستورالعملی برای طراحی شبکه پایش کیفی آب زیرزمینی باشد. به این صورت که با تعیین دقت لازم در داده های حاصل از شبکه پایش می توان تعداد چاه ها و موقعیت آن ها را در منطقه مطالعاتی مشخص نمود. پس از اجرای مدل MOPSO-GS نتایج بهینه سازی نشان داد که در آبخوان نیشابور تعداد چاه های نمونه برداری می تواند به اندازه ۵۸ درصد و با حداقل افزایش خطا (۵۰ چاه با خطای صفر به ۲۱ چاه با خطای غلظت کلراید ۵۷/۱۳ میلی گرم بر لیتر)، کاهش داده شود. همچنین موقعیت این چاه ها به عنوان موقعیت بهینه در نظر گرفته شد.

نویسندگان

محبوبه خداوردی

دانش آموخته کارشناسی ارشد مهندسی منابع آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران

سید رضا هاشمی

استادیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران

عباس خاشعی سیوکی

دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران

محسن پوررضا بیلندی

دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، 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 :
  • خاشعی سیوکی، ع.، قهرمان، ب. و کوچک زاده، م. (۱۳۹۲). ...
  • رجایی، ط. و ابراهیمی، ه. (۱۳۹۳). مدل سازی نوسان های ...
  • قادری، ک.، زلقی، آ. و بختیاری، ب. (۱۳۹۳). بهینه سازی ...
  • قائمی، م.، آستارایی، ع. و ثنایی نژاد، س.ح. (۱۳۹۰). ارزیابی ...
  • قربان زاده، ر.، رضایی، م.، جعفری راد، ع. و دانبیان، ...
  • کاووسی، م.، خاشعی سیوکی، ع.، پوررضا بیلندی، م.، نجفی، م.ح. ...
  • گنجی خرمدل، ن.، کیخایی، ف. (۱۳۹۵). طراحی بهینه چاه های ...
  • گنجی خرمدل، ن.، کیخایی، ف.، محمدی، ک.، منعم، م.ج. (۱۳۹۴). ...
  • ولایتی، س.، توسلی، س. (۱۳۷۰). منابع و مسائل آب استان ...
  • Balavalikar, S., Nayak, P., Narayan Shenoy, N. & Nayak, K. ...
  • Clerc, M. & Kennedy, J. (۲۰۰۲). The particle swarm-explosion, stability, ...
  • Cressie, N.A.C. (۱۹۹۱). Statistics for spatial data. John Wiley & ...
  • Gaur, S., Ch, S., Graillot, D., Chahar, B.R., and Kumar, ...
  • Jalalkamali, A. (۲۰۱۵). Using of hybrid fuzzy models to predict ...
  • Kennedy, J. and Eberhart, R.C. (۲۰۰۱). Swarm Intelligence. Morgan Kaufmann ...
  • Mirzaie-Nodoushan, F., Bozorg-Haddad O., and Loáiciga, H.A. (۲۰۱۷). Optimal design ...
  • Rezaei, F., Safavi, H., and Zekri, M. (۲۰۱۷). A Hybrid ...
  • Yousefi, M., EbrahimBanihabib, M., Soltani, J., and Roozbahani, A. (۲۰۱۸). ...
  • نمایش کامل مراجع