بررسي هيدروژئوشيمي آب هاي زيرزميني دشت شيرامين با استفاده از شبكه عصبي مصنوعي

Investigating of Hydro-geochemical of Groundwater in Shiramin Plain using Artificial Neural Networks

آب‌هاي زيرزميني از منابع مهم بهره‌برداري از آب در مناطق خشك و نيمه‌خشك مي‌باشند. افزايش مصرف آب ناشي از افزايش جمعيت، باعث كاهش كيفي و كمي آبهاي قابل استحصال شده است. هدف از اين پژوهش ارزيابي دقت روش شبكه عصبي مصنوعي پرسپستون چندلايه بر كيفيت منابع آب زيرزميني در دشت شيرامين استان آذربايجان‌شرقي مي‌باشد. در مطالعه‌ي حاضر، كيفيت هيدروژئوشيميايي منابع آب زيرزميني در دشت شيرامين استان آذربايجان‌شرقي از نظر شرب، كشاورزي و صنعت با استانداردهاي ويلكاكس و شولر مورد بررسي قرار گرفت. در ادامه مدل سازي پارامترهاي كيفي (TDS)، (EC) و (SAR) آب زيرزميني با استفاده از شبكه‌هاي عصبي مصنوعي انجام شد. با توجه به شاخص‌هاي كيفي Willcox و Schueller آب‌هاي زيرزميني براي مصارف كشاورزي در حد متوسط بوده و از نظر شرب نامطبوع و غير قابل شرب مي‌باشند. اكثر نمونه‌ها در كلاس c3s1 و در رده آب‌هاي متوسط قرار مي-گيرند. نتايج حاصل حاكي از توانمندي قابل قبول و نتايج رضايت‌بخش مدل شبكه عصبي در پيش‌بيني كيفيت آب-هاي زيرزميني مي‌باشد.

Groundwater is one of the most important water resources in arid and semi-arid regions. Increased water consumption due to population growth, has a great impact on quality and quantity of water supply. The main aim of this study was to evaluate the accuracy of intelegence methods for predicting the groundwater quality for Shiramin plain. In the present study, the hydro-geochemical quality of 34 selected wells and observations of Shiramin plain in June 2016 (taken from the water of the regions of East Azerbaijan province) in terms of drinking, agriculture, and industry with Wilcox and Schuler standards are examined. Further in the research, the modeling of quality parameters (TDS), EC and SAR is done with using artificial neural network. According to Schuler and Wilcox groundwater quality index, water was moderately suitable and unsuitable for agriculture and drinking, respectively. The most of the samples were in C3-S1 category. The results are representative of the acceptable performance of ANNs to predict groundwater quality.