پيش‌بيني شوري آب زيرزميني زير لوله‌هاي زهكش با استفاده از شبكه عصبي

Predicting the Groundwater Salinity under Drain Pipes Using Artificial Neural Network

آگاهي از شوري لايه هاي خاك زير زهكش ها بويژه در مناطقي با آب زيرزميني كم عمق و شور مانند خوزستان منجر به انتخاب و طراحي بهترين عمق و فاصله زهكش مي شود. در تحقيق حاضر كاربرد روش شبيه سازي شبكه عصبي مصنوعي در پيش بيني روند تغييرات شوري آب زيرزميني زير لوله هاي زهكش آزموده شد. به منظور واسنجي و اعتباريابي نتايج مدل از داده هاي جمع آوري شده از يك مدل آزمايشگاهي با ابعاد 1.8 در 1 در 1.2 متر استفاده گرديد. در اين مدل زهكش ها در عمق هاي 20، 40 و 60 سانتي متري و در هر عمق در سه فاصله 60، 90 و 180 سانتي متري نصب شدند. در روش شبكه عصبي مصنوعي از الگوريتم آموزش لونبرگ ماركوارت با تابع انتقال سيگموئيد، استفاده شد. پس از تجزيه و تحليل آماري و محاسبه ريشه ميانگين مربعات خطا، خطاي استاندارد و ضريب همبستگي ميزان برازش ميان مقادير واقعي و شبيه سازي شده تغييرات شوري آب زيرزميني محاسبه شد. مقدار اين شاخص ها به ترتيب 5.27 دسي زيمنس بر متر، 0.12 و 0.96 برآورد گرديد. مقادير اين شاخص ها براي شوري خروجي از زهكش ها در اعماق و فواصل مختلف نسبت به زمان و با دبي هاي 0.07، 0.11 و 0.14 ليتر بر ثانيه به ترتيب برابر با 0.34 دسي زيمنس بر متر، 0.09 و 0.99 مي باشد. نتايج نشان داد روش شبكه عصبي مصنوعي در شبيه سازي روند تغييرات شوري آب زيرزميني زير لوله هاي زهكش و همچنين روند تغييرات شوري زه آب خروجي در اعماق و فواصل مختلف زهكش ها از دقت خوبي برخوردار است

Awareness of salinity of soil layers under drains, particularly in areas with shallow saline groundwater such as Khozestan leads to design the best depth and spacing drain. In this study the application of artificial neural network modeling to predicting of changes in groundwater salinity under drain pipes have been tested. In order to calibrate and validate the model results, data collected from experimental model with 1.8 m long, 1 m wide and 1.2 m high were used. In the model, drains were installed at 20, 40 and 60 cm depths and spacing of 60, 90 and 180 cm. In the method of artificial neural network, LevenbergMarquardt learning algorithm with SigmoidAxon transfer function was used. After statistical analysis and calculation of RMSE, the standard error and correlation coefficient, adjustment between measured and simulated values of changes in groundwater salinity was calculated. The value of these product indexes 5.27 ds/m, 0.12 and 0.96 was estimated respectively. Changes in drains salinity in different depths and spaces over time with discharges of 0.07, 0.11 and 0.14 lit/s are 0.34 dS/m, 0.09 and 0.99, respectively. The results showed that artificial neural network method on simulating of changes in groundwater salinity under drain pipes and also changes in drain water salinity in difference depths and spaces of drains have reasonable accuracy.