طراحي دو شبكه عصبي مصنوعي براي تعيين متغيرهاي آبخوان محبوس نشتي

Two Multilayer Perceptron Networks for the Determination of Leaky Confined Aquifer Parameters

در سال‌هاي اخير، شبكه‌هاي عصبي مصنوعي (Artificial Neural Networks - ANNs) به‌عنوان جايگزين روش‌هاي انطباق منحني‌تيپ (Type curve matching techniques) براي تعيين متغيرهاي آبخوان استفاده مي‌شوند. در اين پژوهش دو شبكه عصبي مصنوعي از نوع پرسپترون چندلايه (Multilayer Perceptron Network - MLPN) براي تعيين متغيرهاي آبخوان محبوس نشتي (leaky confined aquifer) طراحي شده است. نشت آب به آبخوان يا از لايه ‌نيمه‌تراوا و يا ازآب ذخيره شده در لايه نيمه‌تراوا منشا مي‌گيرد. توابع چاه (well functions) ‌مربوط به آبخوان‌هاي نشتي با اين دو سازوكار نشت از لايه ‌نيمه‌تراوا به اين دو شبكه‌ آموزش داده شده است. با اعمال روش تجزيه مولفه اصلي (Principal Component Analysis - PCA) بر مجموعه داده‌هاي آموزش، توپولوژي هر دو شبكه كاهش و بازدهي آنها به‌طور قابل ملاحظه‌اي افزايش داده شد. بر خلاف شبكه‌هاي موجود، توپولوژي شبكه‌هاي طراحي شده به شمار داده‌هاي افت- زمان آزمون پمپاژ وابسته نيست و ساختار آن به‌ ترتيب با 2، 10 و 2 نورون در لايه‌هاي ورودي، پنهان و خروجي (2×10×2) ثابت است. شبكه‌ها با دريافت داده‌هاي آزمون پمپاژ، مختصات نقطه انطباق (match point coordinates) را توليد مي‌كنند. مختصات نقطه انطباق با حل‌هاي تحليلي Hantush & Jacob (1955) و Hantush (1960) تركيب مي‌شود و مقادير متغيرهاي آبخوان به دست مي‌آيد. عملكرد دو شبكه با داده‌هاي سه آزمون پمپاژ واقعي ارزيابي و دقت آنها با روش‎هاي انطباق منحني تيپ مقايسه شده است. شبكه‌هاي پيشنهادي به ‌عنوان يك روش جايگزين دقيق‌تر نسبت به شبكه عصبي مصنوعي پيشين و انطباق منحني تيپ براي محاسبه متغيرهاي آبخوان نشتي توصيه مي‌شود.

In recent years, the artificial neural networks (ANNs) are used as an alternative to the conventional type curve matching techniques for the determination of aquifer parameters. In this paper two multilayer perceptron networks (MLPNs) are developed for the determination of leaky confined aquifers parameters. Leakage into the aquifer takes place from either the upper aquifer through the confining aquitard or the storage in the confining aquitard. The first and second networks are trained for the well functions of leaky aquifers (a) without and (b) with storage in the confining aquitard, respectively. By applying the principal component analysis (PCA) on the adopted training data sets the topology of both networks are reduced and their efficiency increased considerably. In contrast to the existing networks the topology of developed networks is fixed to (2×10×2) regardless of number of records in the pumping test data. The networks generate the match point coordinates for any individual pumping test data set. The match point coordinates are incorporated with Hantush-Jacob (1955) and Hantush (1960) analytical solutions and the aquifer parameter values are determined. The performance of the MLPNs is evaluated by three sets of real field data and their accuracy is compared with that of type curve matching techniques. The proposed MLPNs are recommended as simple and reliable alternatives to previous ANN methods and the type-curve matching techniques.