شبیه‌سازی هدایت الکتریکی دشت بهبهان با استفاده از مدل‌های ANN و ANN-PSO

نوع مقاله: مقالات علمی

نویسندگان

1 دانشجوی دکترای آبیاری زهکشی دانشگاه چمران اهواز،عضو باشگاه باشگاه پژوهشگران واحد شهرکرد

2 عضو هیئت علمی گروه مهندسی برق دانشگاه آزاد اسلامی واحد شهرکرد، عضو باشگاه پژوهشگران جوان واحد شهرکرد

10.22112/jwwse.2019.160050.1126

چکیده

برآورد و پیش­بینی پارامترهای کیفی آب زیرزمینی به‎ منظور تصمیم‎گیری‌های مدیریتی یکی از اهداف مدیران و برنامه­ریزان منابع آب تلقی می‌شود. در این راستا تعداد زیادی مدل در زمینه مدیریت بهتر برای حفظ کیفیت آب گسترش یافته است. بیشتر این مدل‌ها نیازمند پارامترهای ورودی هستند که یا دسترسی به آن‎ها مشکل است و یا این‎که اندازه‌گیری آن‎ها محتاج صرف هزینه و زمان زیاد است. در این میان مدل‌های شبکه عصبی مصنوعی که با الهام از ساختار مغز بشر عمل می‌نمایند، به‎عنوان گزینه‌ای برتر  معرفی می‌شوند. پژوهش حاضر به‎منظور شبیه‌سازی پارامتر کیفی هدایت الکتریکی آب زیرزمینی دشت بهبهان با استفاده از مدل‌های ANN و ANN-PSO و درنهایت مقایسه نتایج آن‌ها با داده‌های اندازه‌گیری شده‌، انجام شده است. پارامترهای هدایت الکتریکی، کلسیم، منیزیم، سولفات، بی‌کربنات، کلر، پتاسیم، سختی و اسیدیته در بازه سال‌های 1388 تا 1395 در دشت بهبهان جمع‌آوری شد و به‎عنوان ورودی مدل مورد استفاده قرار گرفت. نتایج نشان داد بالاترین دقت پیش‌بینی پارامتر کیفی EC مربوط به مدل ANN-PSO است، به‌طوری‎که مقدار آماره‌های  و  کمترین مقدار و  بیشترین مقدار را برای مدل مذکور دارد. با توجه به کارایی بالای مدل شبکه عصبی مصنوعی با آموزش الگوریتم بهینه‌‌سازی تجمع ذرات می‌توان از این مدل برای اتخاذ تصمیمات مدیریتی و حصول اطمینان از نتایج پایش و کاهش هزینه استفاده کرد.

کلیدواژه‌ها


 

احمدی، ز.، صفوی، ح.ر.، ذکری، م.، و بیجامی، ا.، (1394)، "پیش‎بینی عمق سطح ایستابی آب‎های زیرزمینی با استفاده از الگوریتم بهینه سازی ذرات"، دهمین کنگره بینالمللی مهندسی عمران، تبریز، 8 صفحه.

بانژاد، ح.، کمالی، م.، امیر مرادی، ک.، و علیائی، ا.، (1392)، "تخمین برخی پارامترهای کیفی رودخانه‎ها با استفاده از مدل هیبرید شبکه‎های عصبی-موجکی (منطقه مطالعاتی: رودخانه جاجرود تهران و قره‎سو کرمانشاه)"، مجلهسلامتومحیط، 6(3)، 277-294.

دهقانی، ا.، عسکری، م.، و مساعدی، ا.، (1388)، "مقایسه سه روش شبکه عصبی مصنوعی، سیستم استنتاج فازی-عصبی تطبیقی و زمین آمار در میان‎یابی سطح آب زیرزمینی (مطالعه موردی دشت قزوین)"، مجله علوم کشاورزی و منابع طبیعی، 16(1)، 517-536.

شمسایی، ا.، (1381)، هیدرولیک جریان آب در محیط­های متخلخل، انتشارات دانشگاه صنعتی امیرکبیر، 234 صفحه.

صیادی شهرکی، ع.، ناصری، ع.ع.، و احمدی، م.، (1395)، "شبیه‌سازی غلظت نیترات آب زیرزمینی با استفاده از شبکه عصبی مصنوعی و الگوریتم‌های تجمع ذرات (PSO) و ژنتیک (GA) (مطالعه موردی: دشت بهبهان)"، فصلنامه علوم و تکنولوژی محیط زیست، DOI: 10.22034/jest.2018.17097.2568.

عسگری، م.، آریافر، ا.، و ضیا، ح.، (1390)، "پیش­بینی پارامترهای کیفی EC، TDS و TH در آب زیرزمینی دشت بیرجند با استفاده از شبکه عصبی مصنوعی"، هفتمین کنفرانس زمین شناسی مهندسی و محیط زیست ایران، دانشگاه صنعتی شاهرود، 11 صفحه.

غلامی، و.، درخشان، ش.، و درواری، ز.، (1391)، "بررسی روش رگرسیون چند متغیره و شبکه عصبی مصنوعی در شبیه­سازی شوری آب زیرزمینی در سواحل مازندران"، مجله پژوهش آب در کشاورزی، 26(3)،61-70.

مختاران، ر،.( 1393)، "مطالعه دینامیک فصل مشترک آب شور و شیرین تحت آبیاری در مزارع کشت نیشکر"، پایان نامه دکتری، دانشگاه شهید چمران اهواز، 201 صفحه.

میرزایی، ع.، و ناظمی، ا،. (1389)، "پیش‎بینی تراز آب زیرزمینی با استفاده از شبکه‎های عصبی مصنوعی"، اولین همایش ملی مدیریت منابع آب اراضی ساحلی، دانشگاه علوم کشاورزی و منابع طبیعی ساری.

میرزاوند، م.، قاسمیه، ه.، ساداتی نژاد، س.، و اکبری، م.، (1394)، "شبیه‎سازی تغییرات کیفی آب زیرزمینی با مدل شبکة عصبی مصنوعی (مطالعة موردی: آبخوان کاشان)"، مجله منابع طبیعی ایران، 68(1)، 159-171.

Barzegar, R., Adamowski, J., and Asghari Moghaddam, A., (2016), “Application of wavelet-artificial intelligence hybrid models for water quality prediction: A case study in Aji-Chay river, Iran”, Stochastic Environmental Research and Risk Assessment, 30(7), 1797-1819.

Eberhart, R.C., Simpson, P., and Dobbins, R., (1996), Computational intelligence PC tools, Academic Press.

Emami Skardi, M.J., Afshar, A., Saadatpour, M., and Solis, S.S., (2015), “Hybrid ACO–ANN-based multi-objective simulation–optimization model for pollutant load control at basin scale”, Environmental Modeling and Assessment, 20(1), 29-39.

Moghaddam, P.R., and Koocheki ,A., (2004), “History of research on salt-affected lands of Iran: Present status and future prospects-halophytic ecosystems”, In Prospects of Saline Agriculture in the Arabian Peninsula: Proceedings of the International Seminar on Prospects of Saline Agriculture in the GCC Countries, Taha, F.K., Ismail, S., and Jaradat, A., (eds.), 18-20 March 2001, Dubai, 83-95.

Moasheri, S.A., Rezapour, O.M., Beyranvand, Z., and Poornoori, Z., (2013) “Estimating the spatial distribution ofgroundwater quality parameters of Kashan plain with integration method of Geostatistics - Artificial Neural Network optimized by Genetic-Algorithm”, International Journal of Agriculture and Crop Science, 5(20), 2434-2442.

Musavi-Jahromi, S.H., and Golabi, M., (2008), “Application of Artificial Neural Networks in the river water quality modeling: Karoon river, Iran”, Journal of Applied Sciences, 8(23), 24-28.

Najah, A., Elshafie, A., Karim, O.A., and Jaffar, O., (2009), “Prediction of Johor river water quality parameters using Artificial Neural Networks”, European Journal of Scientific Research, 28(4), 22-35.