مقايسه‌ي كارآيي مدل‌هاي شبكه‌ي عصبي مصنوعي، منطق فازي و سيستم استنتاج نرو-فازي تطبيقي در تخمين هدايت هيدروليكي آبخوان دشت مراغه-بناب

A Comparison of the Performance of Artificial Neural Network, Fuzzy Logic and Adaptive Neuro-Fuzzy Inference Systems Models in the Estimation of Aquifer Hydraulic Conductivity. A Case Study: Maraghe-Bonab Aquifer

تخمين دقيق پارامترهاي هيدروژئولوژيكي مانند هدايت هيدروليكي يكي از مهم­ترين بخش مطالعات هيدروژئولوژي مي‌ باشد كه براي مديريت و حفاظت دقيق از منابع آب زيرزميني بسيار ضروري است. تا حال روش ­هاي مختلف صحرايي و آزمايشگاهي براي تخمين هدايت هيدروليكي ارائه شده است كه عموماً با استفاده از داده­ هاي هيدروژئولوژيكي انجام مي‌شوند. از اين ميان بهترين و كامل­ترين روش، روش صحرايي آزمون پمپاژ مي‌باشد كه بسيار وقت­ گير و پرهزينه بوده و پارامترهاي هيدروژئولوژيكي تخمين زده شده به وسيله­ ي آنها داراي عدم قطعيت ذاتي مي‌باشند. لذا در اين تحقيق تلاش شد تا از روش­هاي هوش مصنوعي مختلف مانند شبكه ­ي عصبي مصنوعي (ANN)، فازي ممداني (MFL)، فازي ساگنو (SFL) و سيستم استنتاج نرو-فازي تطبيقي (ANFIS) براي تخمين هدايت هيدروليكي استفاده شود. در اين مطالعه براي تخمين دقيق هدايت هيدروليكي در دشت مراغه- بناب توسط اين مدل­ ها از داده ­هاي ژئوفيزيكي به همراه داده هاي هيدروژئولوژيكي به عنوان ورودي مدل­ ها استفاده شد و نتايج آنها با استفاده از معيارهاي ارزيابي با هم مقايسه و بهترين مدل براساس مقدار RMSE انتخاب شد. بر اين اساس مدل ANFIS با داشتن RMSE=1.12 در مرحله ي تست، نسبت به مدل­ هاي ديگر قدرت بالايي در تخمين هدايت هيدروليكي دارد. شعاع دسته ­بندي، تعداد قوانين فازي و تعداد دسته­ ها در مدل­ هاي فازي و نروفازي، از اهميت بالايي برخوردار است. شعاع دسته­ بندي در مدل ANFIS، براساس كمترين مقدار RMSE برابر ۰/۴ و تعداد قوانين فازي براساس تعداد دسته­ ها 9 قانون اگر-آنگاه به دست آمد. روش ­هاي ارائه شده در اين مطالعه كه كارآيي بالايي در تخمين هدايت هيدروليكي در دشت مراغه-بناب نشان دادند، مي‌تواند در تخمين هدايت هيدروليكي در ساير دشت­ ها با شرايط هيدروژئولوژيكي مشابه نيز مورد استفاده قرار بگيرند.

An accurate estimation of the hydrogeological parameters such as hydraulic conductivity, which is essential for careful management and protection of groundwater resources, is an important part of hydrogeological studies. Various field and laboratory methods, generally done using hydrogeological data, have already been proposed for estimating hydraulic conductivity. One of the best and the most complete methods is the field pumping test which is very time-consuming and expensive. In addition, hydrogeological parameters estimated by it have an inherent uncertainty. In this study, we tried to use artificial intelligence methods, widely considered in recent years, such as artificial neural network (ANN), mamdani fuzzy logic(MFL), sugeno fuzzy logic(SFL), and adoptive neuro-fuzzy inference system (ANFIS) for the estimation of the hydraulic conductivity. In this study, for the accurate estimation of the hydraulic conductivity in Maraghe-Bonab plain by these models, geophysical and hydrogeological data were used as models' inputs. Their results were compared with the evaluation criteria, and the best model based on the RMSE was selected. Accordingly, the ANFIS model, compared to other models, with an RMSE of 1.12 in the test phase has high power in the estimation of the hydraulic conductivity. Radius of clustering, number of fuzzy rules, and number of clusters are very important in fuzzy and neuro-fuzzy models. Radius of clustering in the ANFIS model, based on the minimum RMSE amount, was equal to 0.4 and the numbers of clusters, based on if-then fuzzy rules, was 9. The methods presented in this study, which demonstrated superior performance in estimating hydraulic conductivity of Maragheh-Bonab plain, can be used in estimating hydraulic conductivity of other plains with similar hydrogeological conditions.