پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,239 |
| تعداد مقالات | 67,859 |
| تعداد مشاهده مقاله | 115,391,171 |
| تعداد دریافت فایل اصل مقاله | 90,160,131 |
تخمین پارامترهای کیفی و کمی آب زیرزمینی توسط مدلهای عددی: مطالعه موردی حوضه آبریز میقان در دشت اراک | ||
| تحقیقات آب و خاک ایران | ||
| مقاله 15، دوره 51، شماره 1، فروردین 1399، صفحه 201-216 اصل مقاله (1.86 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ijswr.2019.279388.668166 | ||
| نویسندگان | ||
| مجتبی پورسعید1؛ رضا مستوری* 2؛ سعید شعبانلو3؛ محسن نجارچی4 | ||
| 1دانشکده تحصیلات تکمیلی عمران، واحد اراک، دانشگاه آزاد اسلامی | ||
| 2دانشکده تحصیلات تکمیلی عمران، واحد اراک، دانشگاه آزاد اسلامی، | ||
| 3استادیار گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی | ||
| 4استادیار ، گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد اراک، اراک، ایران | ||
| چکیده | ||
| در این مطالعه، مقادیر شوری، هدایت الکتریکی، تراز آب زیرزمینی و کل جامدات محلول در محدوده مطالعاتی اراک توسط چهار مدل نوین هوش مصنوعی ماشین آموزش نیرومند، ویولت- ماشین آموزش نیرومند، ماشین آموزش نیرومند ترتیبی آنلاین و ویولت- ماشین آموزش نیرومند ترتیبی آنلاین و همچنین نرم افزار مادفلو (مدل MT3D) شبیهسازی شدند. لازم به ذکر است که برای توسعه مدلهای ترکیبی از تبدیل ویولت استفاده شد. در ابتدا، با استفاده از تابع خودهمبستگی و تابع خودهمبستگی جزئی، تاخیرهای موثر برای برآورد پارامترهای کیفی و کمی آب زیرزمینی شناسایی شدند. سپس با استفاده از این تاخیرها، چهار مدل مختلف برای هر یک از روشهای هوش مصنوعی توسعه داده شدند. در ادامه، با انجام تحلیل حساسیت، مدلهای برتر برای شبیهسازی پارامترهای کیفی و کمی آب زیرزمینی شناسایی شدند. همچنین موثرترین تاخیرها برای تخمین این پارامترها معرفی گردیدند. علاوه بر این، نتایج مدل مادفلو با مدلهای هوش مصنوعی مقایسه شد که مدلهای هوش مصنوعی دارای دقت بالاتری بودند. بهعنوان مثال، مقادیر شاخص پراکندگی و ضریب نش برای کل جامدات محلول توسط مدل هوش مصنوعی برتر بهترتیب برابر با 3-E34/5 و 991/0 محاسبه شدند. همچنین، مقادیر RMSE و MAE برای تخمین تراز آب زیرزمینی توسط مدل برتر بهترتیب مساوی با 078/0 و 061/0 بدست آمدند. در انتها تحلیل عدم قطعیت برای مدلهای برتر اجرا شد. | ||
| کلیدواژه‌ها | ||
| شوری؛ هدایت الکتریکی؛ تراز آب زیر زمینی؛ مادفلو؛ ماشین آموزش نیرومند | ||
| عنوان مقاله [English] | ||
| Estimation of Quantity and Quality Parameters of Groundwater Using Numerical Models (Case Study: Mighan Desert Basin, Arak) | ||
| نویسندگان [English] | ||
| Mojtaba Poursaeid1؛ Reza Mastouri2؛ Saeid Shabanlou3؛ Mohsen Najarchi4 | ||
| 1Department of Civil, Arak Branch, Islamic Azad University | ||
| 2Department of Civil Engineering, Islamic Azad University Arak Branch | ||
| 3Department of Water Engineering, Kermanshah Branch, Islamic Azad University | ||
| 4Assistant Professor, Department of Civil Engineering, Faculty of Engineering, Islamic Azad University of Arak Branch, Arak | ||
| چکیده [English] | ||
| In this paper, salinity, total dissolved solids (TDS), groundwater level (GWL) and electrical conductivity (EC) of the Arak Plain, located in Markazi Province, Iran, were simulated using four novel artificial intelligence models including extreme learning machine (ELM), wavelet extreme learning machine (WELM), online sequential extreme learning machine (OSELM) and wavelet online sequential extreme learning machine (OSELM) as well as the MODFLOW software (MT3D model). In order to develop the hybrid artificial intelligence models, the wavelet transform was employed. First, the effective lags in estimating the quality and quantity parameters of the groundwater were identified using the autocorrelation function (ACF) and the partial autocorrelation function (PACF) analysis. After that, four different models were developed using the effective lags for each of the artificial intelligence methods. Then, the superior models in simulating the groundwater quality and quantity parameters were detected by conducting a sensitivity analysis. Subsequently, the most effective lags in estimating these parameters were introduced. In addition, the results of The MODFLOW model were compared with the artificial intelligence models, and it was concluded that the latter were more accurate. For instance, the scatter index and Nash-Sutcliffe efficiency coefficient values for TDS simulation by the superior model were 5.34E-03 and 0.991, respectively. Additionally, RMSE and MAE for estimating groundwater level using the superior model were obtained 0.078 and 0.061, respectively. Finally, uncertainty analysis for the superior models was carried out. | ||
| کلیدواژه‌ها [English] | ||
| salinity, Electrical conductivity, Groundwater level, MODFLOW, Extreme learning machine | ||
| مراجع | ||
|
Azari, T. and Samani, N. (2018). Modeling the Neuman’s well function by an artificial neural network for the determination of unconfined aquifer parameters. Computational Geosciences, 22(4), 1135-1148. Chelsea, Q. and Wan, Y. (2013). Time series modeling and prediction of salinity in the Caloosahatchee River Estuary. Water Resources Research, 49(9), 5804-5816. Dong, Y., Li, G. and Xu, H. (2012). An aerial recharge and discharge simulating method for MODFLOW. Computers & geosciences, 42, 203-205 Harbaugh, A.W., Banta, E.R., Hill, M.C. and McDonald, M.G. (2000). MODFLOW-2000, The U. S. Geological Survey Modular Ground-Water Model-User Guide to Modularization Concepts and the Ground-Water Flow Process. Open-file Report. U. S. Geological Survey, (92), 134. Hendrickx, J.M.H. and Walker, G.R. (1997). Recharge from precipitation. In: Simmers, I., Balkema, A.A. (Eds.), Recharge of Phreatic Aquifers in (Semi-) Arid Areas. Rotterdam, The Netherlands, 19–111. Huang, G.-B., Zhu, Q.-Y. and Siew, C.-K. (2006). Extreme learning machine: theory and applications. Neurocomputing 70, 489–501. Kheradpisheh, Z., Talebi, A., Rafati, L., Ghaneian, M.T. and Ehrampoush, M.H. (2015). Groundwater quality assessment using artificial neural network: A case study of Bahabad plain, Yazd, Iran. Desert, 20(1), 65-71. Lerner, D. N., Issar, A. S., Simmers, I. (1990). Groundwater recharge: a guide to understanding and estimating natural recharge. Hannover: Heise, (8), 99-228. Liang, N.Y., Huang, G.B., Saratchandran, P. and Sundararajan, N. (2006). A fast and accurate online sequential learning algorithm for feedforward networks. IEEE Trans. Neural Networks, 22 (17), 1411–1423. McDonald M.G. and Harbaugh A.W. (1988). A modular three-dimensional finite-difference ground-water flow model. Techniques of Water-Resources Investigations, 06-A1, USGS. Nofal, E.R., Amer, M.A., El-Didy, S.M. and Fekry, A.M. (2015). Delineation and modeling of seawater intrusion into the Nile Delta Aquifer: a new perspective. Water Science, 29(2), 156-166. Priyanka, B.N. and Mahesha, A. (2015). Parametric studies on saltwater intrusion into coastal aquifers for anticipate sea level rise. Aquatic Procedia, 4, 103-108. Roshni, T., Jha, M.K., Deo, R.C., and Vandana, A. (2019). Development and evaluation of hybrid artificial neural network architectures for modeling spatio-temporal groundwater fluctuations in a complex aquifer system. Water Resources Management, 1-17. doi.org/10.1007/s11269-019-02253-4 Salami Shahid, E. and Ehteshami, M. (2016). Application of artificial neural networks to estimating DO and salinity in San Joaquin River basin. Desalination and Water Treatment, 57(11), 4888-4897. Vaheddoost, B. and Aksoy, H. (2018). Interaction of groundwater with Lake Urmia in Iran. Hydrological Processes, 32(21), 3283-3295. Yang, X., Zhang, H. and Zhou, H. (2014). A hybrid methodology for salinity time series forecasting based on wavelet transform and NARX neural networks. Arabian Journal for Science and Engineering, 39(10), 6895-6905. | ||
|
آمار تعداد مشاهده مقاله: 523 تعداد دریافت فایل اصل مقاله: 363 |
||