ارزیابی عملکرد مدل بهینهسازی شبکه پایش آب زیرزمینی بر پایه شبکه عصبی و جستجوی گرگ خاکستری (GNM) (مطالعه موردی: دشت بیرجند)
نویسندگان
چکیده مقاله:
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.
منابع مشابه
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...
متن کاملارزیابی 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...
متن کاملپیش 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...
متن کاملکاربرد 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...
متن کاملمدلسازی 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...
متن کاملپیشبینی 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...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 8 شماره 3
صفحات 121- 139
تاریخ انتشار 2018-05-22
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023