كارايي مدل GRNN در قياس با مدل‌هاي ANN و RBF در تخمين پارامترهاي آبخوان محبوس

براي مديريت صحيح منابع آب زيرزميني، تخمين دقيقي از پارامترهاي آبخوان لازم است. در اين تحقيق، چندين مدل هوش مصنوعي شاملANN، GRNN و RBF به‌منظور تخمين پارامترهاي هيدروليكي يك آبخوان محبوس تدوين شده است. يكي از دلايل استفاده از مدل هاي هوش مصنوعي در پيش بيني پارامترهاي آبخوان، قابليت انعطاف پذيري بالاي اين مدل ها، در حل مسائل غيرخطي مي باشد. به‌منظور به‌كارگيري اين مدل ها، پس از جمع آوري داده هاي مربوط به آزمايش پمپاژ و كاهش بعد داده ها با روش آناليز مؤلفه هاي اصلي، به آموزش و آزمايش مدل هاي هوش مصنوعي مختلف پرداخته شده است. اگر خطاي تابع چاه كه متغير خروجي مدل هاي هوش مصنوعي است، در حد قابل قبول باشد، مقادير پارامترهاي آبخوان به دست آورده مي شود. مدل هاي مذكور بر روي داده هاي يك آزمايش پمپاژ در آبخوان محبوس آزمايش و نتايج آن ها با نتايج روش گرافيكي منحني تايس مورد مقايسه قرار گرفته است. با قياس چندين شاخص خطاي آماري برمبناي نتايج مدل هاي هوش مصنوعي پيشنهادي و حل گرافيكي مدل تايس، عملكرد مدل هاي مذكور، بررسي گرديده است. به‌عنوان مثال، ميانگين قدر مطلق خطاي نسبي در تخمين پارامترهاي آبخوان براي مدل ANN و روش گرافيكي منحني تايس، به ترتيب 0.5564 و 1.1320 درصد بوده است. همچنين در مقايسه مدل هاي مختلف هوش مصنوعي به كار گرفته شده، مدل GRNN از دقت مطلوب و مدت زمان محاسباتي كمتري در تخمين پارامترهاي آبخوان برخوردار است و مي تواند به عنوان مدل برتر در تخمين پارامترهاي آبخوان، برگزيده شود.