طراحی دو شبکه عصبی مصنوعی برای تعیین متغیرهای آبخوان محبوس نشتی

در سال های اخیر، شبکه های عصبی مصنوعی (Artificial Neural Networks - ANNs) به عنوان جایگزین روش های انطباق منحنی تیپ (Type curve matching techniques) برای تعیین متغیرهای آبخوان استفاده می شوند. در این پژوهش دو شبکه عصبی مصنوعی از نوع پرسپترون چندلایه (Multilayer Perceptron Network - MLPN) برای تعیین متغیرهای آبخوان محبوس نشتی (leaky confined aquifer) طراحی شده است. نشت آب به آبخوان یا از لایه نیمه تراوا و یا ازآب ذخیره شده در لایه نیمه تراوا منشا می گیرد. توابع چاه (well functions) مربوط به آبخوان های نشتی با این دو سازوکار نشت از لایه نیمه تراوا به این دو شبکه آموزش داده شده است. با اعمال روش تجزیه مولفه اصلی (Principal Component Analysis - PCA) بر مجموعه داده های آموزش، توپولوژی هر دو شبکه کاهش و بازدهی آنها به طور قابل ملاحظه ای افزایش داده شد. بر خلاف شبکه های موجود، توپولوژی شبکه های طراحی شده به شمار داده های افت- زمان آزمون پمپاژ وابسته نیست و ساختار آن به ترتیب با ۲، ۱۰ و ۲ نورون در لایه های ورودی، پنهان و خروجی (۲×۱۰×۲) ثابت است. شبکه ها با دریافت داده های آزمون پمپاژ، مختصات نقطه انطباق (match point coordinates) را تولید می کنند. مختصات نقطه انطباق با حل های تحلیلی Hantush & Jacob (۱۹۵۵) و Hantush (۱۹۶۰) ترکیب می شود و مقادیر متغیرهای آبخوان به دست می آید. عملکرد دو شبکه با داده های سه آزمون پمپاژ واقعی ارزیابی و دقت آنها با روش‎های انطباق منحنی تیپ مقایسه شده است. شبکه های پیشنهادی به عنوان یک روش جایگزین دقیق تر نسبت به شبکه عصبی مصنوعی پیشین و انطباق منحنی تیپ برای محاسبه متغیرهای آبخوان نشتی توصیه می شود. 

Keywords:

برآورد متغیر آبخوان , لایه نیمه تراوا , شبکه عصبی مصنوعی , تجزیه مولفه اصلی (PCA) , الگوریتم آموزش لونبرگ- مارکوآرت (LM)