شبيه‌سازي تراز، كلر و بي‌كربنات آب زيرزميني توسط ماشين آموزش تركيبي

Simulation of Water Level Fluctuations, Chlorine, Bicarbonate in groundwater using a Hybrid Learning Machine

در اين مطالعه، دو مدل فرا ابتكاري هوش مصنوعي براي شبيه ­سازي داده­ هاي سري زماني پارامترهاي كمي (نوسانات تراز آب زيرزميني) و كيفي (كلر و بي­كربنات) آب زيرزميني درون يك چاه مشاهداتي واقع در شهر كرمانشاه، ايران، از سال 2005 تا 2018 به ­صورت ماهانه ارائه شد. براي تعريف مدل هيبريدي هوش مصنوعي، ماشين آموزش نيرومند (ELM)، الگوريتم تكامل تفاضلي (DE) و تبديل موجك با هم تركيب شدند و مدل­ هاي ماشين آموزش نيرومند خود تطبيقي (SAELM) و موجك-ماشين آموزش نيرومند خود تطبيقي (WSAELM)ارائه شدند. لازم به ذكر است كه براي شناسايي تأخيرهاي موثر داده ­هاي سري زماني از تابع خود همبستگي استفاده گرديد. علاوه بر اين، 70 درصد داده ­هاي مشاهداتي براي آموزش مدل­ هاي هوش مصنوعي و 30 درصد باقيمانده براي تست آنها استفاده شدند. سپس، با استفاده از اين تأخيرهاي موثر، مدل­ هاي مختلفي براي الگوريتم­ هاي هيبريدي SAELM و WSAELM تعريف شدند. سپس با اجراي يك تحليل حساسيت، مدل­ هاي برتر براي مدل­ سازي تراز آب زيرزميني، كلر و بي­كربنات معرفي شدند. به ­عنوان مثال، براي مدل برتر WSAELM جهت شبيه ­سازي نوسانات آب زيرزميني، مقادير ضريب همبستگي (R)، شاخص عملكرد (VAF) و ضريب نش (NSC) به ­ترتيب مساوي با 0/988، 97/450 و 0/973 به­ دست آمدند. لازم به ذكر است كه براي پيش­بيني HCO3 نيز تأخيرهاي (t-1)، (t-2)، (t-3) و (t-4) به ­عنوان موثرترين تأخيرهاي داده ­هاي سري زماني شناسايي شدند. با اجراي يك تحليل عدم قطعيت نشان داده شد كه مدل برتر مقادير Cl و HCO3 كمتر از واقعي شبيه ­سازي كرد اما مدل برتر مقادير تراز آب زيرزميني را با عملكردي بيشتر از مقدار واقعي پيش­بيني نمود.

Modeling qualitative and quantitative parameters of groundwater as one of the main water supply resources is crucially important. Due to recent climate changes in Iran, precipitation patterns have been dramatically altered leading to excess withdrawal. In this paper, two meta-heuristic artificial intelligence models are presented to simulate monthly time-series data of quantitative (groundwater level) and qualitative (chlorine and bicarbonate) parameters of groundwater within an observational well situated in the city of Kermanshah, Iran from 2005 to 2018. To define the hybrid artificial intelligence model, the extreme learning machine (ELM), differential evolutionary (DE) algorithms are combined with the wavelet transform and the Self-adaptive extreme learning machine (SAELM) and wavelet self-adaptive extreme learning machine (WSAELM) models are developed. It is worth mentioning that the autocorrelation function is utilized for detecting effective lags of the time-series data. Moreover, 70% of the observed data are used for training the artificial intelligence models and the remaining 30% for testing them. Then, using these influencing lags, different models are defined for the SAELM and WSAELM models. Also, different mother wavelets are assessed to choose the most optimal one for decomposing signals of the time-series data. After that, superior models for simulating GWL, Cl and HCO3 are introduced by performing a sensitivity analysis. For instance, the values of the correlation coefficient (R), the variance accounted for (VAF) and Nash-Sutcliff efficiency Coefficient (NSC) for the superior WSAELM model are obtained to be 0.988, 97.450 and 0.973, respectively. It should be noted that for forecasting HCO3 the lags (t-1), (t-2), (t-3) and (t-4) are identified as the most influencing lags of the time-series data. The utilization of an uncertainty analysis exhibited that the superior model has an underestimated performance in simulating Cl and HCO3. Finally, three formulae are presented for computing GWL, Cl and HCO3.