استفاده از مدل هوش مصنوعی مرکب نظارت شده برای بهبود مدل دراستیک (مطالعه موردی: آبخوان دشت اردبیل)
عنوان مقاله: استفاده از مدل هوش مصنوعی مرکب نظارت شده برای بهبود مدل دراستیک (مطالعه موردی: آبخوان دشت اردبیل)
شناسه ملی مقاله: JR_GSJ-26-104_010
منتشر شده در در سال 1396
شناسه ملی مقاله: JR_GSJ-26-104_010
منتشر شده در در سال 1396
مشخصات نویسندگان مقاله:
مریم قرهخانی - دانشجوی دکترا، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران
عطاالله ندیری - استادیار، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران
اصغر اصغری مقدم - استاد، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران
خلاصه مقاله:
مریم قرهخانی - دانشجوی دکترا، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران
عطاالله ندیری - استادیار، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران
اصغر اصغری مقدم - استاد، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران
آلودگی منابع آب زیرزمینی به علت نفوذ آلایندهها از سطح زمین به سامانه آب زیرزمینی بهویژه در مناطق خشک و نیمهخشک که با کمبود کمی و کیفی منابع آب روبه رو هستند؛ یکی از معضلات جدی به شمار میآید. بنابراین ارزیابی آسیبپذیری آب زیرزمینی به منظور شناسایی مناطق دارای پتانسیل بالای آلودگی برای مدیریت منابع آب زیرزمینی ضروری است. در این پژوهش آسیبپذیری آبخوان دشت اردبیل در برابر آلودگی با استفاده از روش دراستیک مورد بررسی قرار گرفت. در مدل دراستیک هفت متغیر موثر در آسیبپذیری که شامل ژرفای آب زیرزمینی، تغذیه خالص، محیط آبخوان، محیط خاک، توپوگرافی، محیط غیر اشباع و هدایت هیدرولیکی است؛ بهصورت هفت لایه رستری تهیه شد و پس از رتبهدهی و وزندهی شاخص دراستیک به دست آمد که برای دشت اردبیل شاخص دراستیک میان ۸۲ تا ۱۵۱ به دست آمد. اما از آنجایی که مشکل اصلی این مدل اعمالنظرهای کارشناسی برای رتبهدهی و وزندهی متغیرهای به کار رفته در آن است؛ بنابراین هدف اصلی این پژوهش بهبود مدل دراستیک با استفاده از ۵ روش هوش مصنوعی از جمله شبکه عصبی پیشرو، شبکه عصبی برگشتی، فازی ساجنو، فازی ممدانی و مدل مرکب است. تا بدین روش بتوان به نتایج دقیقتری از ارزیابی آسیبپذیری دست یافت. با توجه به ناهمگنی موجود در دشت اردبیل این دشت به سه بخش خاوری، باختری و جنوبی تقسیم و مدلهای هوش مصنوعی به طور جداگانه برای هر بخش اجرا شد. به این منظور متغیرهای دراستیک به عنوان ورودی مدل و شاخص دراستیک به عنوان خروجی مدل تعریف شدند و مقادیر نیترات مربوطه به ۲ دسته آموزش و آزمایش تقسیم شد. شاخص دراستیک مربوط به مرحله آموزش با مقادیر نیترات مربوطه تصحیح و پس از آموزش مدل، در مرحله آزمایش نتایج مدلها با استفاده از مقادیر نیترات ارزیابی شد. نتایج نشان داد که همه روشهای هوش مصنوعی توانایی بالایی در بهبود مدل دراستیک دارند؛ اما در این میان، مدل هوش مصنوعی مرکب (SCMAI) نتایج بهتری را دربر داشت. بر پایه این مدل، بخشهای باختری و شمالی دشت پتانسیل آلودگی بالایی دارد و باید محافظت بیشتری از این مناطق صورت گیرد.
کلمات کلیدی: آسیب پذیری آب زیرزمینی, دشت اردبیل, دراستیک, هوش مصنوعی, مدل SCMAI
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1384238/