مقايسه مدل هاي شبكه عصبي مصنوعي و رگرسيون چند متغيره در تخمين تغييرات كيفي آب زيرزميني (مطالعه موردي: آبخوان كاشان)

Comparison of Artificial Neural Network (ANN) and Multi Variable Regression Analysis (MRA) Models to Predict Ground Water Quality Changes (Case Study: Kashan Aquifer

مجاورت آبخوان كاشان با جبهه آب شور درياچه نمك، باعث ايجاد شيب هيدروليكي و درنتيجه پيشروي آب شور به داخل آبخوان شده است. در اين پژوهش با توجه به وضعيت موجود، شبيه سازي كيفي آب زيرزميني دشت كاشان با استفاده از مدل هاي شبكه عصبي مصنوعي (شامل پرسپترون چندلايه و تابع شعاعي) و رگرسيون چند متغيره انجام شد. براي اين منظور ابتدا اقدام به تعيين تيپ غالب آب منطقه شد و سپس اقدام به مدل سازي شد. نتايج حاصل از بررسي تيپ آب نشان داد كه كلرور- سديم، تيپ غالب آب منطقه است. بنابراين در مدل سازي ها، علاوه بر تغييرات سطح ايستابي و بارندگي، مقدار غلظت كلرور در سال قبل نيز به عنوان ورودي مدل انتخاب گرديده و خروجي مدل نيز، مقدار كلرور در سال جاري بوده است. نتايج نشان داد كه مدل پرسپترون چندلايه نسبت به مدل هاي تابع شعاعي و رگرسيون چند متغيره داراي نتيجه بهتري در پيش بيني غلظت كلر در 11 سال آينده بوده است. به‌طوري‌كه ضريب تبيين اصلاح‌شده حاصله، به ترتيب برابر 97/0، 89/0 و 34/0 بودند. همچنين تابع محرك تانژانت هايپربوليك خطي و الگوريتم مومنتوم، نتايج بهتري را نسبت به توابع و الگوريتم هاي ديگر نشان دادند. نتايج حاصل از تحليل حساسيت مدل نشان داد كه غلظت كلر در سال قبل و تغييرات سطح ايستابي، مهم ترين تاثير را در شبيه سازي غلظت كلر داشته است.

The adjacency of Kashan aquifer to the saltwater front of the Salt Lake has caused a hydraulic gradient, resulting in the advancement of saltwater into the aquifer. Owing to the current situation, qualitative simulation of groundwater of Kashan plain has been implemented with Artificial Neural Network and Multi Variable Regression models in this study. For this purpose, prior to the model implementation, first we attempted to determine the dominant type of water. Results showed that the sodium chloride was the dominant type of water. Therefore, in addition to the water table fluctuations and precipitation amount, the chloride concentration in the previous year was considered as the modelʹs input, while the output was the chloride concentration in this year. The results indicated that the MLP produced more accurate results than the RBF and MLR models, so that, the corresponding adjusted R2 values for these models were 0.97, 0.89 and 0.34, respectively. The outcomes revealed that the linear hyperbolic tangent activation function and Momentum algorithm produced better results than the other applied algorithms and functions. The resulted outcome of sensitivity analysis showed that concentration of chloride in the previous year and water table fluctuations had the most effect on the chloride concentration simulation.