ارزیابی عملکرد مدل بهینه‌سازی شبکه پایش آب زیرزمینی بر پایه شبکه عصبی و جستجوی گرگ خاکستری (GNM) (مطالعه موردی: دشت بیرجند)

Authors

Abstract:

پایش کمّی آب زیرزمینی، با هدف بررسی و تعیین عوامل مؤثر در رفتار آبخوآن‌ها نقش به سزایی در مدیریت آب زیرزمینی هر منطقه دارد. بنابراین برای مطالعه تغییرات زمانی و مکانی سطح آب زیرزمینی، شبکه پایش کمّی آب زیرزمینی مورد نیاز است. این مطالعه در نظر دارد تا به منظور پایش کمی آبخوان دشت بیرجند و تعیین نقاط بهینه پیزومترها یک روش جدید تحت عنوان Gray wolf and Neural network Monitoring (GNM) را پیشنهاد دهد. در روش پیشنهاد شده از 2 مدل شبکه عصبی و جستجوی گرگ خاکستری به عنوان مدل شبیه‌ساز سطح آب زیرزمینی و مکان‌یابی موقعیت پیزومتر استفاده شده است. سطح آب زیرزمینی با تأخیرهای 1 تا 3 ماهه، ارتفاع توپوگرافی، تخلیه از آبخوان و مختصات به عنوان ورودی تخمین‌گر سطح آب زیرزمینی مدل  GNM تعیین گردید. مقادیر مشاهداتی کلیه مؤلفه­های ورودی با استفاده از ابزار درون‌یابی در محیط GIS برای کل سطح آبخوان بدست آمد. همچنین شاخص‌های RMSE و R2به عنوان مقدار تابع هدف در این قسمت از مطالعه درنظر گرفته شد. تابع هدف در قسمت مکان‌یابی، مقدار نمائی خطا بین سطح آب زیرزمینی مشاهداتی و شبیه‌سازی شده درنظر گرفته شد. همچنین به منظور افزایش دقت و کشف نقاط بهینه جدید برنامه از روش Polytope به عنوان مدل کمکی استفاده گردید. نتایج نشان داد با توجه به مقادیر شاخص‌های ارزیابی در قسمت شبیه‌سازی سطح آب زیرزمینیِ مدل GNM که با استفاده از شبکه عصبی انجام شد، مدل پیشنهاد شده از کارایی مناسبی در این زمینه برخوردار است. مقدار شاخص‌های RMSE و R2 در مرحله صحت‌سنجی به ترتیب 1/0 و 99/0 متر بدست آمد. همچنین ارزیابی نتایج مقایسه سطح آب زیرزمینی مشاهداتی و شبیه‌سازی شده نشان داد که مدل GNM در تعیین نقاط بهینه جدید نیز از قابلیت خوبی برخوردار می‌باشد. به­طوری­که مقدار تابع هدف تا سقف 0007/0 متر کاهش نشان داد. در نهایت موقعیت 10 پیزومتر جدید در آبخوان بیرجند با استفاده از مدل GNM تعیین شد. همچنین نتایج کاربرد روش Polytope نشان داد که این روش می‌تواند تا حد قابل قبولی در کشف نقاط بهینه جدید کارایی داشته باشد. به نحوی­که پیاده‌سازی این روش باعث شد که مقدار تابع هدف تا سقف 0001/0 کاهش پیدا کند. دقت تخمین سطح آب زیرزمینی در شبکه پیزومتری پیشنهاد شده توسط مدل GNM برای برآورد سطح آب زیرزمینی حدفاصل سال‌های 1390 تا 1392 بررسی شد. مقدار شاخص‌های ارزیابی برای هر کدام از پیزومترهای انتخاب شده تعیین گردید. نتایج نشان داد که شبکه پیزومتری پیشنهاد شده تا حد قابل قبولی سطح آب زیرزمینی را به درستی تخمین رده است.

Upgrade to premium to download articles

Sign up to access the full text

Already have an account?login

similar resources

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

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...

full text

ارزیابی مدل شبکه های بیزین در پیش بینی ماهانل سطح آب زیرزمینی (مطالعۀ موردی: آبخوان بیرجند)

اساس برنامه‌ریزی‌های منابع آب بر پایۀ حجم آب قابل استحصال در آبخوان است و برآورد دقیق این حجم از آب زیرزمینی، کمک شایانی به توسعه می‌کند. در این مطالعه، از مدل‌های بیزین با استفاده از دو ساختار خوشه‌بندی و صریح برای شبیه‌سازی سطح آب زیرزمینی آبخوان بیرجند استفاده شد. پنج متغیر تغذیۀ آبخوان، سطح ایستابی، دما، تبخیر و برداشت از آب زیرزمینی در ماه قبل به‌عنوان متغیرهای ورودی به شبکۀ بیزین و سطح آب...

full text

پیش بینی تراز آب زیرزمینی دشت شاهرود استفاده از شبکه عصبی مصنوعی تابع پایه شعاعی

     Groundwater level prediction is an important issue in scheduling and managing water resources. A number of approaches such as stochastic, fuzzy networks and artificial neural network have been used for such prediction. A neural network model has been employed in this research for Shahrood plain groundwater level prediction. For this reason, statistical parameters of groundwater level fluct...

full text

کاربرد روش احتمال پذیرش در ارزیابی شبکه پایش کیفی کلر آب زیرزمینی (مطالعه موردی آبخوان مشهد)

آب‏های زیرزمینی به عنوان یک منبع اصلی برای مصارف شرب، کشاورزی و صنعت محسوب می‏شوند. تغییر در کیفیت آب‏های زیرزمینی که ‏معمولاً بر اثر مدیریت غلط استحصال آب زیرزمینی رخ می‏دهد، به طور مستقیم و غیر‏مستقیم مقدمه‏ای بر تخریب سایر منابع است. ‏بنابراین ایجاد یک شبکه مناسب پایش ‏کیفی برای آب‏های زیرزمینی با تعیین حداقل تعداد چاه‏‏های نمونه‏برداری موجب صرفه‏جویی در هزینه‏ها نیز ‏می‌شود. در این مطالعه رو...

full text

مدل‌سازی تراز آب زیرزمینی با بهره‌گیری از مدل هیبرید موجک- شبکه عصبی مصنوعی (مطالعه موردی: دشت شریف‌آباد)

منابع آب زیرزمینی یکی از مهم­ترین منابع تأمین آب می­باشند، از این­رو مدل­سازی آن­ها بسیار حائز اهمیت می­باشد. ارزیابی و پیش­بینی تراز آب زیرزمینی به پیش­بینی منابع آب زیرزمینی کمک می­کند. هدف این مطالعه ارزیابی عملکرد سه مدل رگرسیون خطی چندمتغیره (MLR)، مدل هیبرید موجک- شبکه عصبی (WNN) و شبکه عصبی مصنوعی (ANN) در پیش­بینی سطح آب زیرزمینی (GWL)، بر مبنای دو معیار ریشه خطای مربع متوسط (RMSE) و ضر...

full text

پیش‌بینی اثر تغییرات پارامترهای هواشناسی بر منابع آب زیرزمینی با استفاده از مدل‌های شبکه عصبی مصنوعی (مطالعه موردی: دشت میاندوآب)

در این تحقیق، اثر تغییر اقلیم بر منابع آب زیرزمینی دشت میاندوآب در استان آذربایجان غربی مورد بررسی قرار گرفت. در این راستا، سناریوهای A1B، A2 و B1 از طریق مدل ریزمقیاس نمایی LARS-WG و با به­کار بردن مدل گردش عمومی جو HadCM3 و مدل شبکه عصبی مصنوعی در دو دوره زمانی مختلف (2065-2046، 2099-2080) مورد مطالعه قرار گرفتند. بدین منظور از داده­های ماهانه عمق سطح آب زیرزمینی 25 چاه پیزومتری در دشت میاندو...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}


Journal title

volume 8  issue 3

pages  121- 139

publication date 2018-05-22

By following a journal you will be notified via email when a new issue of this journal is published.

Hosted on Doprax cloud platform doprax.com

copyright © 2015-2023