استفاده از روش‌هاي نوين هوش مصنوعي در بررسي كيفيت منابع آب زيرزميني (مطالعه موردي: دشت سلماس)

Application of new Artificial Intelligence Methods in Groundwater Quality Assessment (Case Study: Salmas Plain)

با توجه به تمام پيشرفت­هاي صورت گرفته در مديريت منابع آب، معضل بررسي كيفيت آب­هاي زيرزميني اصلي­ترين مشكلي است كه در اكثر دشت­هاي ايران مشاهده مي­شود. لذا مديريت و پايش كيفيت منابع آب از اهميت بالايي برخوردار است. در اين تحقيق سعي شد با به­ كارگيري دو مدل RBF و GFF شبكه عصبي مصنوعي به پيش­بيني و برآورد كيفيت آب­هاي زيرزميني دشت سلماس پرداخته شود. جهت نيل به اين هدف، از داده‌هاي كيفي آب زيرزميني مربوط به دشت سلماس در دوره آماري 10 ساله (90-1381) استفاده گرديد و نتايج بر اساس استانداردهاي ويلكاكس،شولرو پايپر موردبررسيقرارگرفت. 70 درصد داده­ هاي موجود به منظور آموزش شبكه و از 10 درصد داده­ها براي صحت­ سنجي دو مدل استفاده شد. لذااز20درصدباقي­مانده داده­ هاي موجودبرايآزمايش شبكه استفاده گرديد. به­ كارگيري متغيرهاي آماري مناسب و كاربردي نشان داد مدل RBF با آموزش Levenberg Marquardt و 4 لايه مخفي قابليت بالايي در برآورد و پيش­بيني كيفيت آب زيرزميني دارد، هم‌چنين ضريب هم­بستگ يدر اين مدل برابر 88/0 وجذرميانگين مربع اتخطا برابر 71/29% به­دست آمد. هم­چنين نتايج استفاده از دياگرام ­هاي مختلف نشان مي­دهد نمونه­ هادارا يسخت يو خورندگي كممي‌باشند. طبق طبقه­ بندي كلاس­ها،اكثر داده­ ها دركلاس C3S1 قراردارند. براساس نتايج، تمامي منابع آبي منطقه مورد مطالعه، به‌ترتيب براي كشاورزي، شرب و صنعت در حد مناسب، خوب، قابل قبول ميباشند.

Given all the advancements in water resources management engineering, the problem of groundwater quality assessment is the main problem encountered in most plains of Iran. Therefore, managing and monitoring the quality of water resources is very importance. In this study, we tried to predict and estimate the groundwater quality in the Salmas plain using RBF and GFF models. To achieve this aim, groundwater quality data of Salmas plain during 10 years (2001-2011) were used and results were analyzed according to Wilcox, Scholler and Piper standards. 70% of data were used to train the network and 10% of data were used to validate the two models. Therefore, the remaining 20% ​​of available data was used for network testing. The application of appropriate and applicable statistical parameters showed that RBF model with Levenberg-Marquardt training and 4 hidden layers, has high ability to estimate and predict groundwater quality. Also R2= 0.88 and RMSE= 29.71% in this model. Also the results of using different diagrams show that samples have low hardness and corrosion. Most of the data is in the C3S1 class. According to the results, all the water resources of the study area are acceptable for agriculture, drinking and industry, respectively.