شبیه سازی تراز، کلر و بی کربنات آب زیرزمینی توسط ماشین آموزش ترکیبی

در این مطالعه، دو مدل فرا ابتکاری هوش مصنوعی برای شبیه­سازی داده­های سری زمانی پارامترهای کمی (نوسانات تراز آب زیرزمینی) و کیفی (کلر و بی­کربنات) آب زیرزمینی درون یک چاه مشاهداتی واقع در شهر کرمانشاه، ایران، از سال ۲۰۰۵ تا ۲۰۱۸ به­صورت ماهانه ارائه شد. برای تعریف مدل هیبریدی هوش مصنوعی، ماشین آموزش نیرومند  (ELM)، الگوریتم تکامل تفاضلی (DE) و تبدیل موجک با هم ترکیب شدند و مدل­های ماشین آموزش نیرومند خود تطبیقی (SAELM) و موجک-ماشین آموزش نیرومند خود تطبیقی  (WSAELM)ارائه شدند. لازم به ذکر است که برای شناسایی تاخیرهای موثر داده­های سری زمانی از تابع خود همبستگی استفاده گردید. علاوه بر این، ۷۰ درصد داده­های مشاهداتی برای آموزش مدل­های هوش مصنوعی و ۳۰ درصد باقیمانده برای تست آنها استفاده شدند. سپس، با استفاده از این تاخیرهای موثر، مدل­های مختلفی برای الگوریتم­های هیبریدی SAELM و WSAELM تعریف شدند. سپس با اجرای یک تحلیل حساسیت، مدل­های برتر برای مدل­سازی تراز آب زیرزمینی، کلر و بی­کربنات معرفی شدند. به­عنوان مثال، برای مدل برتر WSAELM جهت شبیه­سازی نوسانات آب زیرزمینی، مقادیر ضریب همبستگی (R)، شاخص عملکرد (VAF) و ضریب نش  (NSC) به­ترتیب مساوی با ۹۸۸/۰، ۴۵۰/۹۷ و ۹۷۳/۰ به­دست آمدند. لازم به ذکر است که برای پیش­بینی HCO۳ نیز تاخیرهای (t-۱)، (t-۲)، (t-۳) و (t-۴) به­عنوان موثرترین تاخیرهای داده­های سری زمانی شناسایی شدند. با اجرای یک تحلیل عدم قطعیت نشان داده شد که مدل برتر مقادیر Cl و HCO۳ کمتر از واقعی شبیه­سازی کرد اما مدل برتر مقادیر تراز آب زیرزمینی را با عملکردی بیشتر از مقدار واقعی پیش­بینی نمود.