بهينه‌سازي شبكه پايش تراز آب زيرزميني با استفاده از روش فرا كاوشي اجزاي جمعي

Optimization of Groundwater Level Monitoring Network Design using Particle Swarm Metaheuristic Method

با توجه به پیچیدگی­های محیط آب زیرزمینی و هزینه­های قابل­توجه روش­های مرسوم پایش، ابداع فن­آوری­های نو و بهره­گیری از روش­های پیشرفته در این امر، كمك شایانی در بهبود شناخت سامانه­های آب زیرزمینی كرده است. روش­های معمول مورد استفاده نیازمند فرایندهای تكراری هستند و در یك مسأله تركیبی غیر­خطی، قادر به اعمال جستجوی بهینه سراسری و آنالیز حساسیت تحت قیدهای مختلف نمی­باشند. در این تحقیق از الگوریتم بهینه­سازی گسسته اجزای جمعی به منظور حداقل نمودن فقدان داده كل در شبكه كاهش یافته یا بهینه شده استفاده گردید. به منظور بررسی قابلیت روش، الگوریتم بر روی یك شبكه پایش با تعداد 57 چاه مشاهده­ای بكار گرفته شد. با كاهش تعداد چاه‌های شبكه تا 42 چاه، مقدار جذر میانگین مربع خطا اندازه‌گیری شد. با تعیین حد آستانه 3/0 برای خطا، شبكه بهینه با تعداد 45 چاه باقی‌مانده بدست آمد. مقایسه خطوط تراز سطح ایستابی حالات مختلف با شبكه اصلی نشان داد كه حل­های الگوریتم پیشنهادی مؤثر و مطلوب بوده و تنها در حالت 42 چاه باقی‌مانده، در برخی از خطوط تراز كمی انقطاع دیده ­شد. در مقایسه با الگوریتم ژنتیك، حل­های حاصل از الگوریتم اجزای جمعی از راندمان بالاتری برخوردار بوده و دارای سرعت همگرایی سریعتری بود. از نظر مقایسه مقادیر RMSE و نیز مقایسه خطوط تراز تخمینی سطح ایستابی با خطوط تراز اصلی شبكه، دو الگوریتم قابل مقایسه بوده و توزیع چاه‌های مستعد حذف، موید این مطلب بود.

Considering the complexity of groundwater media and high cost of groundwater monitoring, new innovative methods help us in the improvement of groundwater systems. In this research for minimizing overall data loss in total of optimized network, particle swarm optimization algorithm was used. In order to verify the effectiveness of the algorithm, one monitoring network with 57 observation wells was chosen. Later by reducing the number of monitoring wells to 42, the amount of RMSE was measured. Considering 0.3 as the threshold of error, the optimized network was obtained using the remaining 45 observation wells. A comparison of groundwater contours with original network showed that the solution of proposed algorithm is effective. In the remaining 42 observation wells there were some minor discrepancies. In comparison with genetic algorithm, the solution of PSO algorithm is better and has higher efficiency. Comparison of their RMSE also shows a faster convergence for PSO algorithm. Prediction of groundwater level contours in both models were possible and comparable too. Distribution of the omitted observation wells supported this comparison