شهرام موسوی - استادیار، باشگاه پژوهشگران جوان و نخبگان، واحد میانه، دانشگاه آزاد اسلامی، میانه، ایران (مسوول مکاتبات)
وحید نورانی - استاد، گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز، ایران
محمد تقی اعلمی - استاد، گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز، ایران

زمینه و هدف: عدم قطعیت پارامترهای صحرایی، نویز در داده­های مشاهداتی و شرایط مرزی نامشخص از مهم ترین عوامل محدود کننده در مدل سازی جریان و انتقال آلودگی در محیط های متخلخل است. روش بررسی: در این تحقیق، دشت میاندوآب به عنوان مطالعه موردی برای شبیه­سازی تراز آب زیرزمینی و غلظت کلراید انتخاب شد. برای مدل سازی زمانی انتقال آلودگی از روش های هوش مصنوعی استفاده شد. در روش پیشنهادی، ابتدا سری­های زمانی تراز آب­ زیرزمینی و غلظت کلراید در پیزومترهای مختلف با استفاده از روش آستانه موجک رفع نویز شدند. در ادامه اثر نویز و رفع نویز در سری­های زمانی تراز آب زیرزمینی و غلظت کلراید در مدل های هوش مصنوعی موردبررسی قرارگرفت. برای این منظور، ۱۴ پیزومتر مختلف با استفاده از شبکه عصبی مصنوعی و سیستم عصبی-فازی تطبیقی برای تخمین غلظت کلراید در یک ماه بعد، آموزش و اعتبارسنجی شدند. یافته­ها: نتایج نشان داد که روش آستانه موجک برای رفع نویز سری­های زمانی می­تواند تا ۲۵ درصد کارایی مدل های هوش مصنوعی را افزایش دهد. همچنین توانایی مدل عصبی-فازی تطبیقی در هر دو مرحله آموزش و صحت سنجی به دلیل کارایی منطق فازی برای غلبه بر عدم قطعیت پدیده از شبکه عصبی مصنوعی بیش­تر بوده است. بحث و نتیجه­گیری: استفاده از رفع نویز موجکی سری­های زمانی به عنوان پیش­پردازش داده­ها در پیش­بینی زمانی جریان آب زیرزمینی و انتقال آلاینده­ها، کارایی مدل­های هوش مصنوعی را افزایش می­دهد.

انتقال آلودگی, محیط متخلخل, هوش مصنوعی, رفع نویز موجکی