تخمين پارامترهاي كيفي و كمي آب زيرزميني توسط مدل‌هاي عددي: مطالعه موردي حوضه آبريز ميقان در دشت اراك

Estimation of Quantity and Quality Parameters of Groundwater Using Numerical Models (Case Study: Mighan Desert Basin, Arak)

در اين مطالعه، مقادير شوري، هدايت الكتريكي، تراز آب زيرزميني و كل جامدات محلول در محدوده مطالعاتي اراك توسط چهار مدل نوين هوش مصنوعي ماشين آموزش نيرومند، ويولت- ماشين آموزش نيرومند، ماشين آموزش نيرومند ترتيبي آنلاين و ويولت- ماشين آموزش نيرومند ترتيبي آنلاين و همچنين نرم افزار مادفلو (مدل MT3D) شبيه سازي شدند. لازم به ذكر است كه براي توسعه مدل هاي تركيبي از تبديل ويولت استفاده شد. در ابتدا، با استفاده از تابع خودهمبستگي و تابع خودهمبستگي جزيي، تاخيرهاي موثر براي برآورد پارامترهاي كيفي و كمي آب زيرزميني شناسايي شدند. سپس با استفاده از اين تاخيرها، چهار مدل مختلف براي هر يك از روش هاي هوش مصنوعي توسعه داده شدند. در ادامه، با انجام تحليل حساسيت، مدل هاي برتر براي شبيه سازي پارامترهاي كيفي و كمي آب زيرزميني شناسايي شدند. همچنين موثرترين تاخيرها براي تخمين اين پارامترها معرفي گرديدند. علاوه بر اين، نتايج مدل مادفلو با مدل هاي هوش مصنوعي مقايسه شد كه مدل هاي هوش مصنوعي داراي دقت بالاتري بودند. به عنوان مثال، مقادير شاخص پراكندگي و ضريب نش براي كل جامدات محلول توسط مدل هوش مصنوعي برتر به ترتيب برابر با 3-E34/5 و 0/991 محاسبه شدند. همچنين، مقادير RMSE و MAE براي تخمين تراز آب زيرزميني توسط مدل برتر به ترتيب مساوي با 0/078 و 0/061 بدست آمدند. در انتها تحليل عدم قطعيت براي مدل هاي برتر اجرا شد.

In this paper, salinity, total dissolved solids (TDS), groundwater level (GWL) and electrical conductivity (EC) of the Arak Plain, located in Markazi Province, Iran, were simulated using four novel artificial intelligence models including extreme learning machine (ELM), wavelet extreme learning machine (WELM), online sequential extreme learning machine (OSELM) and wavelet online sequential extreme learning machine (OSELM) as well as the MODFLOW software (MT3D model). In order to develop the hybrid artificial intelligence models, the wavelet transform was employed. First, the effective lags in estimating the quality and quantity parameters of the groundwater were identified using the autocorrelation function (ACF) and the partial autocorrelation function (PACF) analysis. After that, four different models were developed using the effective lags for each of the artificial intelligence methods. Then, the superior models in simulating the groundwater quality and quantity parameters were detected by conducting a sensitivity analysis. Subsequently, the most effective lags in estimating these parameters were introduced. In addition, the results of The MODFLOW model were compared with the artificial intelligence models, and it was concluded that the latter were more accurate. For instance, the scatter index and Nash-Sutcliffe efficiency coefficient values for TDS simulation by the superior model were 5.34E-03 and 0.991, respectively. Additionally, RMSE and MAE for estimating groundwater level using the superior model were obtained 0.078 and 0.061, respectively. Finally, uncertainty analysis for the superior models was carried out.