ارزیابی عملکرد مدل بهینه سازی شبکه پایش آب زیرزمینی بر پایه شبکه عصبی و جستجوی گرگ خاکستری (GNM) (مطالعه موردی: دشت بیرجند)

Publish Year: 1397
نوع سند: مقاله ژورنالی
زبان: Persian
View: 540

This Paper With 19 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_WATER-8-3_010

تاریخ نمایه سازی: 15 تیر 1398

Abstract:

پایش کمی آب زیرزمینی، با هدف بررسی و تعیین عوامل موثر در رفتار آبخوآن ها نقش به سزایی در مدیریت آب زیرزمینی هر منطقه دارد. بنابراین برای مطالعه تغییرات زمانی و مکانی سطح آب زیرزمینی، شبکه پایش کمی 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 شبیه ساز سطح آب زیرزمینی و مکان یابی موقعیت پیزومتر استفاده شده است. سطح آب زیرزمینی با تاخیرهای 1 تا 3 ماهه، ارتفاع توپوگرافی، تخلیه از آبخوان و مختصات به عنوان ورودی تخمین گر سطح آب زیرزمینی مدل  GNM تعیین گردید. مقادیر مشاهداتی کلیه مولفه­های ورودی با استفاده از ابزار درون یابی در محیط GIS برای کل سطح آبخوان بدست آمد. همچنین شاخص های RMSE و R2به عنوان مقدار تابع هدف در این قسمت از مطالعه درنظر گرفته شد. تابع هدف در قسمت مکان یابی، مقدار نمائی خطا بین سطح آب زیرزمینی مشاهداتی و شبیه سازی 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 شاخص های ارزیابی در قسمت شبیه سازی سطح آب زیرزمینی مدل GNM که با استفاده از شبکه عصبی انجام شد، مدل پیشنهاد شده از کارایی مناسبی در این زمینه برخوردار است. مقدار شاخص های RMSE و R2 در مرحله صحت سنجی به ترتیب 1/0 و 99/0 متر بدست آمد. همچنین ارزیابی نتایج مقایسه سطح آب زیرزمینی مشاهداتی و شبیه سازی شده نشان داد که مدل GNM در تعیین نقاط بهینه جدید نیز از قابلیت خوبی برخوردار می باشد. 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 می تواند تا حد قابل قبولی در کشف نقاط بهینه جدید کارایی داشته باشد. به نحوی­که پیاده سازی 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 سال های 1390 تا 1392 بررسی شد. مقدار شاخص های 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.

Keywords:

واژه های کلیدی: مکان یابی پیزومتر , شبکه عصبی , گرگ خاکستری , Polytope

Authors

احمد جعفرزاده

منابع آب، گروه علوم و مهندسی آب، دانشگاه بیرجند

عباس خاشعی سیوکی

روه علوم و مهندسی آب، دانشگاه بیرجند، بیرجند، 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 :
  • بزرگ حداد ا. 1384. بهینهسازی هیدروسیستمها با استفاده از الگوریتم ...
  • جعفرزاده ا. ع.خاشعی سیوکی، ع. شهیدی. 1394. بررسی اثرات طرح ...
  • بحران آب دشت بیرجند، عوامل، پیامدها و راهکارها [مقاله کنفرانسی]
  • میرزائی ندوشن، ف.، ا. بزرگ­حداد، م. خیاطی خلقی. 1395. طراحی ...
  • Coulibaly, P., Anctil, F., Aravena, R., & Bobée, B. (2001). ...
  • Cieniawski, S. E., Eheart, J. W., & Ranjithan, S. (1995). ...
  • Dadaser-Celik, F., & Cengiz, E. (2013). A neural network model ...
  • Guyaguler, B., Horne, R. N., Rogers, L., & Rosenzweig, J. ...
  • Kollat, J. B., & Reed, P. M. (2005). Comparison of ...
  • Koziel, S., & Leifsson, L. (2013). Surrogate-based modeling and optimization. ...
  • Li, Y., & Hilton, A. B. C. (2005). Reducing spatial ...
  • McCulloch, W. S., & Pitts, W. (1943). A logical calculus ...
  • Mirjalili, S., Saremi, S., Mirjalili, S. M., & Coelho, L. ...
  • Nelder, J.A., and Mead, R.: (2000) A Simplex Method for ...
  • Ranjithan, S., Eheart, J. W., & Garrett, J. H. (1995). ...
  • Razavi, S., Tolson, B. A., & Burn, D. H. (2012). ...
  • Rumelhart, D. E., Hinton, G. E., & Williams, R. J. ...
  • Schaap, M. G., & Bouten, W. (1996). Modeling water retention ...
  • Shiri, J., Kisi, O., Yoon, H., Lee, K. K., & ...
  • Taormina, R., Chau, K. W., & Sethi, R. (2012). Artificial ...
  • Zhang, Q., & Sun, S. (2009, December). Weighted data normalization ...
  • نمایش کامل مراجع