عملکرد شش روش ترکیبی هوشمند در مدل سازی کیفی آب زیرزمینی مطالعه موردی: دشت بافق
محل انتشار: مجله هیدروژئولوژی، دوره: 6، شماره: 1
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 156
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_HYDTR-6-1_010
تاریخ نمایه سازی: 13 اسفند 1401
چکیده مقاله:
بررسی و کنترل کیفیت آب های زیرزمینی در برنامهریزی و توسعه منابع آب نقش مهمی دارد و استفاده از یک روش کارا می تواند تا حد زیادی موجب افزایش دقت و کاهش هزینه ها در این زمینه گردد. در این پژوهش، برای آموزش و بهینهیابی پارامترهای مدل سیستم استنتاج عصبی-فازی (ANFIS) جهت مدلسازی کیفی آب زیرزمینی دشت بافق در استان یزد، از ۶ الگوریتم فراابتکاری بهینهسازی ازدحام ذرات (PSO)، ژنتیک (GA)، رقابت استعماری (ICA)، کرم شبتاب (FA)، فرهنگی (CA) و استراتژی تکامل انطباق ماتریس کوواریانس (CMA-ES) استفاده گردید. برای انتخاب بهترین ترکیب ورودی جهت تخمین سه پارامتر هدایت الکتریکی (EC)، جذب سدیم (SAR) و سختی کل (TH) از روش های پیرسون و اسپیرمن برای تحلیل حساسیت و میزان همبستگی سایر پارامترها استفاده گردید و مدلسازی کیفی با روش های ترکیبی انجام و عملکرد مدل ها با نمایه های ضریب همبستگی(R۲)، خطای جذر میانگین مربعات (RMSE) و ضریب نش-ساتکلیف (NSE) سنجیده شد. نتایج نشان داد که هر شش روش ترکیبی عملکرد بسیار مناسبی را در مدلسازی پارامترهای آب زیرزمینی از خود نشان دادند. همچنین مدل ANFIS-FA در هر سه دسته مدلسازی جزو بهترین مدل ها بود، بهطوریکه مقدار R۲ ، RMSE و NSE آن بهترتیب برای بخش آزمایش در TH، ۹۹/۰، ۴۱/۰ و ۹۹/۰، برای SAR، ۹۸/۰، ۱۱/۱ و ۹۵/۰ و برای EC، ۹۹/۰، ۷/۳۰۵ و ۹۹/۰ بهدست آمد. سایر روش ها نیز با دقتی مناسب موفق به مدلسازی و پیشبینی پارامترهای موردنظر شدند. با توجه به دقت محاسبات، این روش ها گزینه های مناسبی برای پیشبینی متغیرهای کیفی آب زیرزمینی بهشمار می روند.
کلیدواژه ها:
نویسندگان
امیر محمد رخ شاد
دانشجوی دکترای منابع آب، گروه علوم و مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، خراسان جنوبی، ایران
علی شهیدی
دانشیار، گروه علوم و مهندسی آب، دانشگاه بیرجند، خراسان جنوبی، 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 :