برآورد هدايت هيدروليكي با استفاده از روش SCMAI ، مطالعه موردي: آبخوان دشت مراغه - بناب (آذربايجان شرقي)

Estimation of hydraulic conductivity by using of SCMAI model. A case study: Maraghe-bonab aquifer

امروزه آب زيرزميني يكي از منابع اصلي آب آشاميدني و كشاورزي و ديگر مصارف مختلف براي جوامع بشري است. با افزايش جمعيت و توسعهيافتگي جوامع، تقاضا براي اين منبع طبيعي مهم و حياتي و استراتژيك افزايش يافته است. اين افزايش با كاهش منابع آبي با صدمه بر محيط آبخوانها همراه بوده است. بر اين اساس براي رويارويي با بحران كم‌آبي و جلوگيري از تخريب آبخوانها، مديريت آنها و در پي آن شناخت دقيق متغيرهاي هيدروژئولوژيكي به شدت احساس مي‌شود. يكي از مهمترين اين متغيرها، هدايت هيدروليكي است. با وجود اينكه، سامانه آب زيرزميني يك سامانه پيچيده است و برآورد متغيرهاي هيدروژئولوژيكي كه معمولاً با روش‌هاي كلاسيك مانند روش‌هاي آزمايشگاهي، اسلاگ تست، آزمايش رديابي و آزمون‌هاي پمپاز انجام مي‌گيرد؛ با عدم قطعيت ذاتي همراه بوده و پر هزينه و وقتگير است. بنابراين، استفاده از روش‌هاي هوش مصنوعي براي برآورد هدايت هيدروليكي، مي‌تواند از عدم قطعيت اين متغير كم كند و تا حدودي بر دقت آن بيافزايد؛ تا بتواند بر نواقص موجود در روش‌هاي كلاسيك چيره شود. در اين پژوهش چهار روش هوش مصنوعي، روش سامانه استنتاج فازي ممداني، سامانه استنتاج فازي ساجنو، شبكه عصبي موجكي، و ماشين بردار پشتيبان كمينه مربعات به عنوان مدل‌هاي منفرد براي برآورد هدايت هيدروليكي آبخوان مراغه بناب با استفاده از داده‌هاي ژئوفيزيكي سطحي در منطقه به كار گرفته شد. با توجه به اينكه هر كدام از مدل‌ها بر پايه ويژگيهاي ذاتي خود در بخشي از اين محدوده نتايج خوبي ارائه دادند. بنابراين براي استفاده همزمان از كارايي همه اين مدل‌ها روش تركيب غيرخطي با عنوان مدل هوش مصنوعي مركب نظارت شده (SCMAI) براي برآورد هدايت هيدروليكي در دشت مراغه- بناب استفاده و نتايج آن با استفاده از معيارهاي ارزيابي مختلف نشان داده شد. مدل SCMAI با استفاده از 15 داده مورد آزمايش قرار گرفت. مقادير RMSE و به ترتيب برابر 0/045 و 0/97 به دست آمد. با مقايسه اين مقادير با مقادير محاسبه شده براي مدل‌هاي منفرد ياد شده، ديده شد كه مدل SCMAI با داشتن RMSE كمتر و بهتر از مدل‌هاي هوش مصنوعي منفرد است. اين نتايج بيان مي‌دارد كه مدل SCMAI كارآيي بالايي در برآورد مقادير هدايت هيدروليكي در آبخوان آزاد و هتروژن دشت مراغه- بناب نشان مي‌دهد.

Today Ground water is the main source of drinking, agriculture and other uses for humans. The demand for this critical and strategic natural resource increased with population growth and development of society. This increasing has been declining water resources and damage aquifers environment. Therefore, we need to manage aquifers and understanding the hydrogeological parameters to deal with the water crisis and prevent the distraction of aquifers. The one of most important parameter is hydraulic conductivity. Although, the ground water system is a complex system and estimation of hydrogeological parameters is associated with inherent uncertainty and also is costly and time consuming that usually done with classical methods such as laboratory tests, slug test, tracing test and pumping tests. So recently use artificial intelligence methods for estimation of hydraulic conductivity, reduced the uncertainty of this parameter and it adds up some accuracy. So that it can overcome on the shortcoming of classical methods. In this study, four artificial intelligence methods; mamdani fuzzy logic(MFL) system, sugeno fuzzy logic(SFL) system, Wavelet-neural network method and Least square support vector machine(LS-SVM) method were used as individual models to estimate the hydraulic conductivity by using of surface geophysical data in Maragheh-Bonab aquifer. Given that each these models based on their inherent properties, they presented good results in some parts of area. Therefore, for concurrent use of performance of all these models the nonlinear combination method as a supervised committee machine artificial intelligence (SCMAI) model were used to estimate the hydraulic conductivity in maragheh-bonab aquifer. The result of this model showed that this new combinational model has high performance than other single models that presented by using different evaluation criteria. Therefore, this model could also be used for estimation hydrogeological parameters in areas with high complexity. The SCMAI model was tested against 15 data. The RMSE and for SCMAI prediction were computed as 0.045 and 0.97, respectively. Comparing the error measure values with dose of individual models above, it is seen that SCMAI outperforms individual AI models with low RMSE and high values. This result implies that SCMAI model shows high performance for estimation the hydraulic conductivity values in the heterogeneous unconfined aquifer in Maragheh-Boanb plain.