مدل سازي آب زيرزميني با استفاده از روش هاي هوش مصنوعي (مطالعه موردي: دشت دزفول - انديمشك)

Groundwater modeling using artificial intelligence methods (Case study: Dezful-Andimeshk plain)

زمينه و هدف: آب زيرزميني يك منبع مهم آب در جهان به‌شمار مي‌رود و مطالعه سطح آب زيرزميني و شوري آب ريرزميني براي حفاظت و برنامه‌ريزي در خصوص منابع آب، به‌خصوص در مناطق خشك و نيمه‌خشك مانند ايران اهميت به‌سزايي دارد. انجام آزمايش‌هاي كمي و كيفي، زمان‌بر و پرهزينه است. بنابراين، استفاده از مدل‌ها براي شبيه‌سازي كميت وكيفيت آب زيرزميني متداول شده است. در دهه‌هاي اخير به سبب پيچيدگي و خصوصيات غير خطي سيستم-هاي آب زيرزميني، مد‌ل‌هاي هوش مصنوعي براي شبيه‌سازي آبخوان‌ها مورد آزمايش قرار گرفته‌اند. مواد و روش‌ها: پژوهش حاضر به منظور شبيه‌سازي پارامترهاي سطح آب زيرزميني و شوري آب زيرزميني دشت دزفول- انديمشك با استفاده از مدل‌هاي ANN و ANN+GA و درنهايت مقايسه نتايج آن‌ها با داده‌هاي اندازه‌گيري شده‌، انجام گرفته است. اطلاعات جمع‌آوري شده براي ورودي به دو مدل‌ شامل داده‌هاي هواشناسي و پارامترهاي كيفي آب زيرزميني طي سال‌هاي 1390 تا 1397 به‌صورت ماهانه از 76 چاه مي‌باشد. يافته‌ها: نتايج نشان داد، مدل بهينه براي شبيه‌سازي سطح آب زيرزميني ANN+GA با تابع محرك تانژانت سيگموئيد و مدل بهينه براي شبيه‌سازي شوري آب زيرزميني ANN+GA با تابع محرك لگاريتم سيگموئيد مي‌باشد. به‌طوريكه مقدار آماره‌هاي RMSE و MAE كمترين مقدار و بيشترين مقدار را براي مدل‌هاي مذكور دارد (در مرحله آزمون، براي پارامتر سطح آب زيرزميني مقدار 47/7RMSE=، 5/9 MAE=و 979/0= R2و براي پارامتر شوري آب زيرزميني مقدار 8/6RMSE=، 47/7 MAE= و 99/0= R2محاسبه گرديد). نتيجه‌گيري: بنابراين بهينه‌سازي مدل شبكه عصبي مصنوعي با استفاده از الگوريتم ژنتيك بسيار مفيد، موثر و همچنين باعث كاهش خطا و صرفه‌جويي در زمان و هزينه مي‌گردد.

Background and Aim: Groundwater is one of the most important water resources on earth, and groundwater level and groundwater salinity studies are very important to protect and plan the water resources, especially in the arid and semiarid areas, such as Iran. Groundwater quantitative and qualitative testing is time-consuming and costly. Therefore, using the models to simulate the quantity and quality of groundwater has become common. Materials and Methods: In recent decades, the artificial intelligence models were tested for the simulation of aquifers in terms of the complex and nonlinear properties of groundwater systems. The present study stimulated the groundwater level and groundwater salinity parameters of Dezful-Andimeshk plain using ANN and ANN + GA models, and finally compared their results with measured data. The data collected for input to two models include meteorological data and groundwater quality parameters gathered from 2011 to 2018. Results: The results showed that the optimal model is to simulate ANN + GA (Artificial Neural Network + Genetic Algorithm) groundwater level with sigmoid tangent stimulus function, and the optimal model is to simulate ANN + GA groundwater salinity with sigmoid logarithm stimulus function. MAE and RMSE statistics have the minimum and has maximum value for the model (In test phase, for the groundwater level RMSE=7.47, MAE=9.5 and R2=0.979 and for the groundwater salinity RMSE=6.81, MAE=7.74, and R2=0.99). Conclusion: Therefore, optimizing the artificial neural network model using a genetic algorithm is very useful, effective and reduces errors and saves time and money.