ارايه مدل هوشمند تعيين رفتار تغييرات تراز سطح آب زيرزميني با لحاظ نمودن وضعيت ديناميكي سيستم آبخوان

Development of a Smart Model for Groundwater Level Prediction Based on Aquifer Dynamic Conditions

با توجه به خشكسالي‌هاي اخير و افزايش ميزان تقاضا، استفاده از منابع آب زيرزميني در بيشتر مناطق كشور در اولويت قرار گرفته است. در اين راستا برداشت‌هاي بي‌رويه منجر به بروز مشكلاتي براي آبخوان دشت‌ها شده است. با توجه به اينكه به‌منظور اعمال محدوديتهاي برداشت در اغلب مدل‌هاي مديريت منابع آب، لازم است آبخوان به‌صورت پيوسته و زمانمند شبيه‌سازي شود و از طرفي استفاده از اين مدل‌ها در فرايند بهينه‌سازي منجر به افزايش زمان اجرا مي‌شود، لازم است مدل هوشمندي جايگزين مدل عددي شبيه‌سازي آبخوان شود. در اين تحقيق با توجه به خصوصيات هيدروژيولوژيكي آبخوان و مقادير اندازه‌گيري شده براي پارامترهاي كمّي آبخوان، مدل كمّي عددي آبخوان تهيه شده و سپس با استفاده از نتايج آن و به‌كارگيري مدل شبيه‌ساز شبكه عصبي ديناميكي، تغييرات تراز سطح آب زيرزميني براي افق برنامه‌ريزي به‌صورت معادلاتي ارايه گرديد. ميزان كل تغذيه و تخليه آبخوان و تراز سطح آب زيرزميني در گام زماني قبل به‌عنوان پارامترهاي ورودي و تراز سطح آب زيرزميني در انتهاي دوره شبيه‌سازي به‌عنوان پارامتر خروجي در مدل شبيه‌ساز استفاده شد. به‌منظور تدوين مدل شبيه‌ساز، چهار مرحله در نظر گرفته شد كه عبارت‌اند از تدوين مدل شبيه‌سازي آبخوان و واسنجي نمودن آن، توليد مجموعه داده‌هاي ورودي- خروجي براي آموزش مدل شبيه‌ساز، آموزش مدل شبيه‌ساز براي ساختارهاي گوناگون، صحت‌سنجي و استخراج مدل شبيه‌ساز برتر براي برقراري ارتباط با مدل بهينه‌سازي. نتايج ارايه شده نشان‌دهنده كارايي مدل پيشنهادي به‌منظور شبيه‌سازي و پيش‌بيني رفتار تغييرات تراز سطح آب زيرزميني در مقايسه با مدل‌هاي شبكه عصبي استاتيكي بود.

In recent years, drought and demand growth in most parts of the county have caused a dramatic increase in using groundwater for water supply purposes. Besides, unplanned excessive discharges from aquifers have led to aquifer degradation. In most integrated water resources management models, groundwater simulation is used for taking into account discharge constrains, however, the most cases the optimal solution is not achievable.Hence, artificial neural network models may be replaced by groundwater numerical simulation models. In this paper, a methodology based on dynamic artificial neural networks (DANN) is developed for simulating groundwater table. Karaj aquifer is used as the case study and its groundwater numerical model (PMWIN) is calibrated using such measured groundwater characteristics as hydraulic conductivity and specific storage. The results of the numerical model are presented to DANN for training. In the proposed procedure, the total recharge, discharge, and groundwater level in previous time intervals are used as the inputs to the DANN model. The model output is the groundwater level at the end of the time interval. In this study, the development of the model is accomplished in four steps that consist of developing the aquifer simulation model and its calibration, producing the input-output data set for DANN training, training the DANN model for various structures, and selecting the best structure for use in the optimization model. The result shows that the proposed DANN model is more efficient in simulating groundwater level fluctuations than the static artificial neural network (SANN) models.