مدل سازی تغییرات کیفی آب زیرزمینی در دشت زیدون با استفاده از مدل شبکه عصبی مصنوعی بهینه شده

Publish Year: 1400
نوع سند: مقاله ژورنالی
زبان: Persian
View: 100

This Paper With 12 Page And PDF Format Ready To Download

  • Certificate
  • من نویسنده این مقاله هستم

این Paper در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

شناسه ملی سند علمی:

JR_JREH-7-4_001

تاریخ نمایه سازی: 5 اردیبهشت 1401

Abstract:

پژوهش حاضر به منظور شبیه سازی پارامترهای کیفی آب زیرزمینی دشت زیدون شامل SAR ، EC و TDS با استفاده از مدل های ANN و ANN-GA و درنهایت مقایسه نتایج آن ها با داده های اندازه گیری شده ، انجام گرفته است. این دشت با مساحتی حدود ۱۰۳۴ کیلومتر مربع در جنوب غربی شهرستان بهبهان واقع شده و دارای اقلیم خشک و بیابانی است. پارامترهای ورودی مدل ها برای پارامتر کیفی TDS شامل سدیم، هدایت الکتریکی، کلسیم، منیزیم، سولفات و نسبت جذب سدیم و برای پارامتر کیفی SAR شامل سدیم، کل نمک های محلول، بی کربنات، کلسیم و منیزیم و برای پارامتر کیفی EC شامل کلسیم، منیزیم، سولفات، سدیم و نسبت جذب سدیم از سال ۱۳۹۰ تا ۱۳۹۷ جمع آوری گردید.نتایج نشان داد، در مدل ANN و ANN-GA بیشترین دقت شبیه سازی SAR در مدل با تابع تانژانت سیگموئید، در مدل شبیه ساز EC هم بیشترین دقت در مدل های ANN و ANN-GA به ترتیب مربوط به توابع محرک لگاریتم سیگموئید و تانژانت سیگموئید می باشد. همچنین در مدل ANN و ANN-GA بیشترین دقت شبیه سازی TDS به ترتیب در مدل با توابع محرک تانژانت سیگموئید و لگاریتم سیگموئید به دست آمد. به طوری که مقدار RMSE و MAE کمترین مقدار و شاخص R۲ بیشترین مقدار را دارد. به طور کلی با توجه به نتایج بدست آمده، دقت مدل ANN-GA هم بالاتر از مدل ANN، برای شبیه سازی پارامترهای کیفی آب زیرزمینی دشت زیدون برآورد شده است.بنابراین استفاده از مدل شبکه عصبی مصنوعی به همراه الگوریتم ژنتیک ابزار مناسبی برای شبیه سازی پارامترهای کیفی آب زیرزمینی در حجم بالا، بدون احتیاج به اندازه گیری و کارهای آزمایشگاهی که نیاز به زمان و هزینه بالا دارند، می باشد.

Keywords:

Authors

سید علی محمدی نژاد

گروه مهندسی عمران، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.

اصلان اگدرنژاد

استادیار، گروه علوم و مهندسی آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :
  • Mirzaei A.A, Nazemi A.H. Predicting groundwater level using artificial neural ...
  • Dehghani A.A, Asgari M, Mosaedi A. Comparison of three methods ...
  • Daryaee M, Eigder Nejad A, Bina M, Radmanesh F. Effect ...
  • Luk KC, Ball J.E, Sharma A. An application of artificial ...
  • Sayadi Shahraki A, Soltani Mohammadi A, Naseri A.A. and Mokhtaran ...
  • Rooki R, Ariyafar A, Adeli Nasab J. Investigation of groundwater ...
  • Montaseri M, Ghavidel S.Z, Sanikhani H. Water quality variations in ...
  • Dayhoff J.E. Neural Network Principles. Prentice-Hall International, U.S.A. ۱۹۹۰ ...
  • Khanna T. Foundation of neural networks. Addison-Wesley Publishing Company, U.S.A. ...
  • Goldberg D.E. Genetic Algorithms in Search Optimization and Machine Learning. ...
  • Musavi-Jahromi S.H, Golabi M. Application of artificial neural networks in ...
  • Banejad H, Kamali M, Amirmoradi K, Olyaie F. Forecasting Some ...
  • Soltani Mohammadi A, Sayadi Shahraki A, Naseri A.A. Simulation of ...
  • نمایش کامل مراجع