سامانه مدیریت نشریات علمی دانشگاه علوم پزشکی مشهد

محمدی نژاد, سید علی, اگدرنژاد, اصلان. (1400). مدل سازی تغییرات کیفی آب زیرزمینی در دشت زیدون با استفاده از مدل شبکه عصبی مصنوعی بهینه شده. , 7(4), 311-322. doi: 10.22038/jreh.2021.59492.1441
سید علی محمدی نژاد; اصلان اگدرنژاد. "مدل سازی تغییرات کیفی آب زیرزمینی در دشت زیدون با استفاده از مدل شبکه عصبی مصنوعی بهینه شده". , 7, 4, 1400, 311-322. doi: 10.22038/jreh.2021.59492.1441
محمدی نژاد, سید علی, اگدرنژاد, اصلان. (1400). 'مدل سازی تغییرات کیفی آب زیرزمینی در دشت زیدون با استفاده از مدل شبکه عصبی مصنوعی بهینه شده', , 7(4), pp. 311-322. doi: 10.22038/jreh.2021.59492.1441
محمدی نژاد, سید علی, اگدرنژاد, اصلان. مدل سازی تغییرات کیفی آب زیرزمینی در دشت زیدون با استفاده از مدل شبکه عصبی مصنوعی بهینه شده. , 1400; 7(4): 311-322. doi: 10.22038/jreh.2021.59492.1441

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

مجله پژوهش در بهداشت محیط
مقاله 1، دوره 7، شماره 4، اسفند 1400، صفحه 311-322    اصل مقاله (2.01 M)
نوع مقاله: مقالات پژوهشی
شناسه دیجیتال (DOI): 10.22038/jreh.2021.59492.1441
نویسندگان
سید علی محمدی نژاد1؛ اصلان اگدرنژاد* 2
1گروه مهندسی عمران، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.
2استادیار، گروه علوم و مهندسی آب، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.
چکیده
پژوهش حاضر به منظور شبیه‌سازی پارامترهای کیفی آب زیرزمینی دشت زیدون شامل SAR ، EC و TDS با استفاده از مدل‌های ANN و ANN-GA و درنهایت مقایسه نتایج آن‌ها با داده‌های اندازه‌گیری شده‌، انجام گرفته است. این دشت با مساحتی حدود 1034 کیلومتر مربع در جنوب غربی شهرستان بهبهان واقع شده و دارای اقلیم خشک و بیابانی است. پارامترهای ورودی مدل‌ها برای پارامتر کیفی TDS شامل سدیم، هدایت الکتریکی، کلسیم، منیزیم، سولفات و نسبت جذب سدیم و برای پارامتر کیفی SAR شامل سدیم، کل نمک‌های محلول، بی‌کربنات، کلسیم و منیزیم و برای پارامتر کیفی EC شامل کلسیم، منیزیم، سولفات، سدیم و نسبت جذب سدیم از سال 1390 تا 1397 جمع‌آوری گردید.
نتایج نشان داد، در مدل ANN و ANN-GA بیشترین دقت شبیه‌سازی SAR در مدل با تابع تانژانت سیگموئید، در مدل شبیه‌ساز EC هم بیشترین دقت در مدل‌های ANN و ANN-GA به‌ترتیب مربوط به توابع محرک لگاریتم سیگموئید و تانژانت سیگموئید می‌باشد. همچنین در مدل ANN و ANN-GA بیشترین دقت شبیه‌سازی TDS به‌ترتیب در مدل با توابع محرک تانژانت سیگموئید و لگاریتم سیگموئید به‌دست آمد. به‌طوری‌که مقدار RMSE و MAE کمترین مقدار و شاخص R2 بیشترین مقدار را دارد. به‌طور کلی با توجه به نتایج بدست آمده، دقت مدل ANN-GA هم بالاتر از مدل ANN، برای شبیه‌سازی پارامترهای کیفی آب زیرزمینی دشت زیدون برآورد شده است.
بنابراین استفاده از مدل شبکه عصبی مصنوعی به‌همراه الگوریتم ژنتیک ابزار مناسبی برای شبیه‌سازی پارامترهای کیفی آب زیرزمینی در حجم بالا، بدون احتیاج به اندازه‌گیری و کارهای آزمایشگاهی که نیاز به زمان و هزینه بالا دارند، می‌باشد.
کلیدواژه‌ها
آب زیرزمینی؛ پارامترهای کیفی؛ شبیه‌سازی؛ مدل شبکه عصبی مصنوعی
مراجع
  1. Mirzaei A.A, Nazemi A.H. Predicting groundwater level using artificial neural networks. First National Conference on Coastal Land Water Resources Management, Sari, University of Agricultural Sciences and Natural Resources, Sari. 2009 (In Persian).
  2. Dehghani A.A, Asgari M, Mosaedi A. Comparison of three methods of artificial neural network, fuzzy inference system, adaptive neural system and geostatistics among groundwater level detection (Case study of Qazvin plain). Journal of Agricultural Sciences and Natural Resources. 2008; 16 (1): 517-528 (In Persian).
  3. Daryaee M, Eigder Nejad A, Bina M, Radmanesh F. Effect of river water quality factors on EC and TDS using artificial neural networks. 8th Seminar on River Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran. 2010 (In Persian).
  4. Luk KC, Ball J.E, Sharma A. An application of artificial neural network for rainfall forecasting. Mathematical and Computer Modelling. 2001; 33 (6-7): 683-693.
  5. Sayadi Shahraki A, Soltani Mohammadi A, Naseri A.A. and Mokhtaran A. Simulation of groundwater salinity using Artificial Neural Network (ANN), Particle Swarm Optimization (PSO) and model SEAWAT (Case study: Debal khazaie sugarcane plantation). Journal of Water and Soil Conservation. 2017; 23(5), 307-316 (In Persian).
  6. Rooki R, Ariyafar A, Adeli Nasab J. Investigation of groundwater quality in Gonabad plain aquifer of Khorasan Razavi using multivariate statistical methods and artificial intelligence. Journal of Mineral Resources Engineering. 2017; 2 (1): 49-61(In Persian).
  7. Kanda E.K, Kipkorir E.C, Kosgei J.R. Dissolved oxygen modelling using artificial neural network: a case of river nzoia, lake victoria basin, kenya. Journal of Water Security. 2016; 2 (1): 1-7.
  8. Montaseri M, Ghavidel S.Z, Sanikhani H. Water quality variations in different climates of Iran: toward modeling total dissolved solid using soft computing techniques. Stochastic Environmental Research and Risk Assessment,. 2018; 32 (8): 2253-2273.
  9. Dayhoff J.E. Neural Network Principles. Prentice-Hall International, U.S.A. 1990.
  10. Khanna T. Foundation of neural networks. Addison-Wesley Publishing Company, U.S.A. 1990.
  11. Goldberg D.E. Genetic Algorithms in Search Optimization and Machine Addison-Wesley. 1989.
  12. Musavi-Jahromi S.H, Golabi M. Application of artificial neural networks in the river water quality modeling: Karoon river, Journal of Applied Sciences. 2008; 8 (12): 2324-2328.
  13. Banejad H, Kamali M, Amirmoradi K, Olyaie F. Forecasting Some of the Qualitative Parameters of Rivers Using Wavelet Artificial Neural Network Hybrid (W-ANN) Model (Case of study: Jajroud River of Tehran and Gharaso River of Kermanshah). Journal Health & Environ. 2013; 6(3), 277-294 (In Persian).
  14. Soltani Mohammadi A, Sayadi Shahraki A, Naseri A.A. Simulation of Groundwater Quality Parameters Using ANN and ANN+PSO Models (Case Study: Ramhormoz Plain). Journal of Pollution. 2016; 3(2), 191-200.
  15. Hill M. Methods and guidelines for effective model calibration. U.S. Geological survey Water- Resources Investigations Rep. 1998; 98-4005.
  16. Ahaninjan K, Egdernezhad A. Modeling Qualitative Parameters of SAR, EC, and TDS in Groundwater using Optimized Artificial Neural Network Model (Case Study: Behbahan Plain). Journal of Environment and Water Engineering. 2020; 6(2), 161-172 (In Persian).
  17. Rezaee M.J, Rezaee M.R, Rezaee J. Estimation of Groundwater Level Changes Using Four Different Evolutionary Neural Network Techniques, Case Study: Dasht-e Abbas, Ilam Province. Journal of Watershed Engineering and Management. 2020; 12 (3): 737-755 (In Persian).
  18. Jalalkamali A, Jalalkamali N. Groundwater modeling using hybrid of artificial neural network with genetic algorithm. African Journal of Agricultural Research. 2017; 6 (26): 5775-5784.
  19. Dash N.B, Panda S.N, Remesan R, Sahoo N. Hybrid neural modeling for groundwater level prediction. Neural Computing and Applications. 2010; 19(8): 1251-1263.
آمار
تعداد مشاهده مقاله: 662
تعداد دریافت فایل اصل مقاله: 515