پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 161 |
| تعداد شماره‌ها | 6,572 |
| تعداد مقالات | 71,021 |
| تعداد مشاهده مقاله | 125,498,030 |
| تعداد دریافت فایل اصل مقاله | 98,759,851 |
تهیه مدل MOPSO-GS جهت طراحی شبکه بهینه پایش کیفی آب زیرزمینی (مطالعه موردی دشت نیشابور) | ||
| مدیریت آب و آبیاری | ||
| مقاله 3، دوره 9، شماره 2، بهمن 1398، صفحه 199-210 اصل مقاله (1.42 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/jwim.2019.290373.713 | ||
| نویسندگان | ||
| محبوبه خداوردی1؛ سید رضا هاشمی* 2؛ عباس خاشعی سیوکی3؛ محسن پوررضا بیلندی3 | ||
| 1دانش آموخته کارشناسی ارشد مهندسی منابع آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران | ||
| 2استادیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران | ||
| 3دانشیار، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه بیرجند، بیرجند، ایران | ||
| چکیده | ||
| بهینه سازی شبکه پایش، یک فرآیند تصمیم گیری برای داشتن بهترین ترکیب در بین ایستگاه های موجود است. به دلیل ملاحظات اقتصادی و کاستن از هزینه های پایش، رویکرد بهینه سازی در این پژوهش، کاهش ایستگاه های پایش بدون کاهش میزان و دقت اطلاعات حاصل می باشد. درتحقیق حاضر طراحی بهینه شبکه پایش کیفی آب زیرزمینی به کمک مدلی بر پایه بهینه سازی در دشت نیشابور انجام گرفته است. بهینه سازی شبکه چاه ها توسط الگوریتم دو هدفه ازدحام ذرات (MOPSO) با اهداف کمینه نمودن مقدار ریشه مربعات میانگین خطا (RMSE) و کمینه نمودن تعداد چاه ها اجرا شد. در بخش شبیه سازی مسئله از روش درون یابی کریجینگ برای مقادیر غلظت کلراید آب زیرزمینی محاسباتی استفاده شد و با مقادیر مشاهداتی مقایسه شدند. نتایج این تحقیق، ارائه یک جبهه پارتو با نمایش تعداد چاه در مقابل RMSE متناظر آن بود که می تواند دستورالعملی برای طراحی شبکه پایش کیفی آب زیرزمینی باشد. به این صورت که با تعیین دقت لازم در داده های حاصل از شبکه پایش می توان تعداد چاه ها و موقعیت آن ها را در منطقه مطالعاتی مشخص نمود. پس از اجرای مدل MOPSO-GS نتایج بهینه سازی نشان داد که در آبخوان نیشابور تعداد چاه های نمونه برداری می تواند به اندازه 58 درصد و با حداقل افزایش خطا (50 چاه با خطای صفر به 21 چاه با خطای غلظت کلراید 57/13 میلی گرم بر لیتر)، کاهش داده شود. همچنین موقعیت این چاه ها به عنوان موقعیت بهینه در نظر گرفته شد. | ||
| کلیدواژه‌ها | ||
| الگوریتم ازدحام ذرات؛ بهینه‌سازی دوهدفه؛ غلظت کلراید؛ کریجینگ | ||
| عنوان مقاله [English] | ||
| Optimal Design of Groundwater-Quality Sampling Networks with MOPSO-GS (Case Study: Neyshabour Plain) | ||
| نویسندگان [English] | ||
| Mahbubeh Khodaverdi1؛ seyed Reza Hashemi2؛ Abbas Khashei-Siuki3؛ Mohsen Pourreza- Bilondi3 | ||
| 1Graduated M.Sc Water Resources Engineering, Faculty of Agriculture, University of Birjand, Birjand, Iran | ||
| 2Assistant Professor, Department of Water Engineering, Faculty of Agriculture, University of Birjand, Birjand, Iran | ||
| 3Associate Professor, Department of Water Engineering, Faculty of Agriculture, University of Birjand, Birjand, Iran | ||
| چکیده [English] | ||
| Monitoring network optimization is a decision making process for the best combination of available stations. Due to economic considerations and reduction of monitoring costs ، the optimization approach in this study is to reduce monitoring stations without reducing the amount and accuracy of the information obtained. In this study, an optimal design of groundwater quality monitoring network was carried out with the help of an optimization model in the Neishabour plain aquifer. The optimization of the wells network was accomplished by a Multi Objective Particle Swarm Optimization (MOPSO) algorithm. Two objectives containing of minimizing the root mean square error (RMSE) and the number of wells was applied in current research. Kriging interpolation was used for calculating groundwater chlorine concentration values and compared with observation values. As a result of this research was presented a Pareto front exctracted from MOPSO showing the number of wells against their corresponding RMSE, which could be a guide for the design of a groundwater quality monitoring network. The outcome showed that the sampling wells can be reduced to 58 percent with a minimum error increase (all 50 wells in base network with zero error may be reduced to 21 with chlorine concentration error of 13.57 mg/l) in the Neishabour aquifer. Also, the position of these wells was considered as the optimal position. | ||
| کلیدواژه‌ها [English] | ||
| Chlorine concentration, Kriging, Particle swarm algorithm, Two-objective optimization | ||
| مراجع | ||
|
1. خاشعی سیوکی، ع.، قهرمان، ب. و کوچک زاده، م. (1392). مقایسه مدل‌های شبکه عصبی مصنوعی، ANFIS و رگرسیونی در برآورد سطح ایستابی آبخوان دشت نیشابور. آبیاری و زهکشی ایران. 7 (1): 10-22. 2. رجایی، ط. و ابراهیمی، ه. (1393). مدل‌سازی نوسان‌های ماهانۀ آب زیرزمینی به‌‌وسیلۀ تبدیل موجک و شبکۀ عصبی پویا. مدیریت آب و آبیاری. 4 (1): 73-87. 3. قادری، ک.، زلقی، آ. و بختیاری، ب. (1393). بهینه‌سازی بهره‌برداری از سیستم چندمخزنی با استفاده از الگوریتم تکامل رقابتی جوامع (SCE) (مطالعۀ موردی: حوضۀ کرخه). مدیریت آب و آبیاری. 4 (2): 215-228. 4. قائمی، م.، آستارایی، ع. و ثنایی نژاد، س.ح. (1390). ارزیابی تغییرات مکانی و تخمین کربن آلی خاک در مناطق خشک و نیمه‌خشک با استفاده از توابع انتقالی و امکان‌سنجی آن با داده‌های سنجش از دور (مطالعه موردی: منطقه نیشابور). پژوهش‌های زراعی ایران. 9 (2): 294-300. 5. قربان‌زاده، ر.، رضایی، م.، جعفری راد، ع. و دانبیان، ح. (1374). بهینه‌سازی شبکه پایش کیفی آلودگی منابع آب زیرزمینی در دشت دزفول- اندیمشک با استفاده از تکنیک زمین آمار و GIS. پانزدهمین همایش انجمن زمین‌شناسی ایران. 6. کاووسی، م.، خاشعی سیوکی، ع.، پوررضا بیلندی، م.، نجفی، م.ح. (1397). کاربرد الگوریتم نوین شبیه‌ساز بهینه‌ساز LSSVM-PSO در طراحی شبکه بهینه پایش تراز سطح آب زیرزمینی. اکوهیدرولوژی. 5(4): 1309-1319. 7. گنجی خرمدل، ن.، کیخایی، ف. (1395). طراحی بهینه چاه‌های مشاهده‌ای در یک شبکه پایش سطح آب زیرزمینی با استفاده از الگوریتم فوق ابتکاری ژنتیک. مدیریت حوزه آبخیز. 7 (14): 159-165. 8. گنجی خرمدل، ن.، کیخایی، ف.، محمدی، ک.، منعم، م.ج. (1394). بهینه‌سازی شبکه پایش تراز آب زیرزمینی با استفاده از روش فراکاوشی اجزای جمعی. علمی- پژوهشی هیدرولیک. 10 (1): 25-35. 9. ولایتی، س.، توسلی، س. (1370). منابع و مسائل آب استان خراسان. مؤسسه چاپ و انتشارات آستان قدس رضوی، مشهد. 279 صفحه. 10. Balavalikar, S., Nayak, P., Narayan Shenoy, N. & Nayak, K. (2018). Particle swarm optimization based artificial neural network model for forecasting groundwater level in Udupi district. AIP Conference Proceedings. 1952 (1). 11. Clerc, M. & Kennedy, J. (2002). The particle swarm-explosion, stability, and convergence in a multidimensional complex space. IEEE Transactions on Evolutionary Computation, 1(6): 58-73. 12. Cressie, N.A.C. (1991). Statistics for spatial data. John Wiley & Sons, New York. 13. Gaur, S., Ch, S., Graillot, D., Chahar, B.R., and Kumar, D. N. (2013).Application of Artificial Neural Networks and Particle Swarm Optimization for the Management of Groundwater Resources. Water Resources Management, 27 (3): 927-941. 14. Jalalkamali, A. (2015). Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters. Earth Science Informatics, 8 (4): 885-894. 15. Kennedy, J. and Eberhart, R.C. (2001). Swarm Intelligence. Morgan Kaufmann Publishers, San Francisco, California. 16. Mirzaie-Nodoushan, F., Bozorg-Haddad O., and Loáiciga, H.A. (2017). Optimal design of groundwater-level monitoring networks. Hydroinformatics. 1-10. 17. Rezaei, F., Safavi, H., and Zekri, M. (2017). A Hybrid Fuzzy-Based Multi-Objective PSO Algorithm for Conjunctive Water Use and Optimal Multi-Crop Pattern Planning. Water Resources Management, 31 (4): 1139-1155. 18. Yousefi, M., EbrahimBanihabib, M., Soltani, J., and Roozbahani, A. (2018). Multi-objective particle swarm optimization model for conjunctive use of treated wastewater and groundwater. Agricultural Water Management, 208: 224-231. | ||
|
آمار تعداد مشاهده مقاله: 470 تعداد دریافت فایل اصل مقاله: 402 |
||
سامانه مدیریت نشریات علمی. قدرت گرفته از سیناوب