Simulation of Electrical Conductivity of Behbahan Plain Using ANN and ANN-PSO Models

Document Type : Original Article

Authors

1 PhD student of irrigation and drainage, Shahid Chamran University of Ahvaz

2 Faculty member Department of Electrical Engineering Faculty of Engineering, Islamic Azad University of Shahrekord

Abstract

One of the main aims of water resource planning and management is to estimate and predict groundwater quality parameters which would be used in decision-making. In this regard, many models have been developed which proposed better managements in order to maintain water quality. Most of these models require input parameters which are hardly available or their measurements are time consuming and expensive. Among them, Artificial Neural Network (ANN) models inspired by human's brain are a better choice. The present studied stimulated the electrical conductivity of water quality parameters of Behbahan Plain, using ANN and ANN+PSO models and in the end compared their results with measured data. Data for NO3-, EC, Ca2+, Mg2+, SO42-, HCO3-, CL-, K+, TH and pH were collected during 2009-2016 as input data. The results indicated that the highest prediction accuracy of quality parameters was related to the ANN + PSO model so that the MAE and RMSE statistics had the minimum and  had the maximum value for the model. Considering the high efficiency of artificial neural network model, by training the Particle Swarm Optimization algorithm, it can be used in order to make managerial decisions and ensure the results of monitoring and reducing costs.
 

Keywords

References

 
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.
Journal of Water and Wastewater Science and Engineering
Volume 4, Issue 1
April 2019
Pages 34-41

Files

History

  • Receive Date: 08 December 2018
  • Revise Date: 16 April 2019
  • Accept Date: 16 April 2019

Share

How to cite

Statistics