بهینه‌سازی و پیش‌بینی روند تغییرات پارامترهای کیفی آب زیرزمینی دشت دزفول با استفاده از دو مدل ANN+PSO و ANN+P-PSO

محورهای موضوعی : آب و محیط زیست

فهیمه صیادی شهرکی ¹ (عضو هیأت علمی گروه مهندسی برق دانشکده فنی و مهندسی، دانشگاه آزاد اسلامی واحد شهرکرد، شهرکرد- ایران.* (مسوول مکاتبات))
عبدالرحیم هوشمند ² (دانشیار دانشگاه شهید چمران اهواز)
عاطفه صیادی شهرکی ³ (دکترای آبیاری زهکشی دانشگاه شهید چمران اهواز)

تاریخ دریافت : 1395/06/08 تاریخ پذیرش : 1395/09/01 تاریخ انتشار : 1400/04/01

کلید واژه: دزفول, الگوریتم بهینه‌سازی تجمع ذرات, پیش‌بینی, کیفیت آب,

چکیده مقاله :

زمینه و هدف: برآورد و پیش بینی پارامترهای کیفی آب زیرزمینی به منظور تصمیم گیری‌های مدیریتی یکی از اهداف مدیران و برنامه ریزان منابع آب تلقی می‌گردد. در این راستا تعداد زیادی مدل در زمینه مدیریت بهتر برای حفظ کیفیت آب گسترش یافته است. بیش‌تر این مدل‌ها نیازمند پارامترهای ورودی هستند که یا دسترسی به آن‌ها مشکل است و یا اینکه اندازه‌گیری آن‌ها محتاج صرف هزینه و زمان زیادی می‌باشد. در این میان مدل‌های شبکه عصبی مصنوعی که با الهام از ساختار مغز بشر عمل می‌نمایند، به‌عنوان گزینه‌ای برتر معرفی می‌شوند.روش بررسی: پژوهش حاضر به منظور شبیه‌سازی پارامترهای کیفی آب زیرزمینی دشت دزفول شامل SAR ، EC و TDS با استفاده از مدل‌های ANN+PSO و ANN+P-PSO و درنهایت مقایسه نتایج آن‌ها با داده‌های اندازه‌گیری شده‌، انجام گرفته است. اطلاعات ورودی به مدل‌ها برای پارامتر کیفی TDS شامل هدایت الکتریکی، نسبت جذبی سدیم، اسیدیته، سولفات، کلسیم، منیزیم و سدیم و برای پارامتر کیفی SAR شامل مقدار کل نمک‌های محلول، اسیدیته، سدیم، بی کربنات و برای پارامتر کیفی EC شامل سولفات، کلسیم، منیزیم، نسبت جذبی سدیم و اسیدیته، از سال 1390 تا 1394 جمع آوری شده است.یافته‌ها: نتایج نشان داد بالاترین دقت پیش‌بینی پارامترهای کیفی SAR ، EC و TDS مربوط به مدل ANN+P-PSO می‌باشد به‌طوری‌که مقدار آماره‌های و کم‌ترین مقدار و بیش‌ترین مقدار را برای مدل مذکور دارد. مقدار RMSE در مرحله تست برای الگوریتم PSO در پیش‌بینی SAR ، EC و TDS به ترتیب برابر 09/0، 045/0 (میکرو زیمنس بر سانتی متر) و 053/0 (میلی‌گرم بر لیتر) به دست آمد. این آماره‌ برای الگوریتم P-PSO در پیش‌بینی SAR ، EC و TDS به ترتیب برابر 039/0، 031/0 (میکرو زیمنس بر سانتی متر) و 045/0 (میلی‌گرم بر لیتر) تعیین شدند.بحث و نتیجه‌گیری: نتایج نشان داد که الگوریتم P-PSO از دقت بیش‌تری نسبت به الگوریتم PSO برخوردار بود. همچنین با توجه به این‌که تفاوت آماری معنی‌داری بین داده‌های اندازه‌گیری شده و شبیه‌سازی شده وجود نداشت؛ پیشنهاد می‌شود از شبکه‌ عصبی مصنوعی برای شبیه‌سازی پارامترهای کیفی در منابع آب زیرزمینی استفاده شود.

چکیده انگلیسی:

Background and Objective: One of the main aims of water resource planners and managers is the estimation and prediction of groundwater quality parameters to make managerial decisions. In this regard, many models have been developed which proposed better managements in order to maintain water quality. Most of these models require input parameters which are hardly available or their measurements are time consuming and expensive. Among them, Artificial Neural Network (ANN) models inspired by human's brain are a better choice.Method: The present study stimulated the groundwater quality parameters of Dezful plain including Sodium Adsorption Ratio (SAR), Electrical Conductivity (EC), Total Dissolved Solids (TDS), using ANN+PSO and ANN+P-PSO models and in the end is comparing their results with measured data. The input data for TDS quality parameter consist of EC, SAR, pH, SO4, Ca, Mg and Na, for SAR including the TDS, pH, Na, Hco3 and quality parameter of EC contains So4, Ca, Mg, SAR and pH, gathered from 2011 to 2015.Findings: The results indicated that the highest prediction accuracy of quality parameters of SAR, EC and TDS is related to the ANN+P-PSO model so that the MAE and RMSE statistics have the minimum and  has the maximum value for the model. The results showed that RMSE for PSO in predicting SAR, EC and TDS were 0.09, 0.045 (µs/cm) and 0.053 (mg/l) in testing period, respectively. These statistical criteria were 0.039, 0.031 (µs/cm) and 0.045 (mg/l) for P-PSO in this period, respectively.Discussion and Conclusion: The results showed that P-PSO had more accuracy compared to PSO. In addition, there were no significant differences between ANN and collecting values. So, it is recommended that ANN were applied to determine nitrate concentration in groundwater. 

منابع و مأخذ:

1. Misaghi, F. and Mohammadi, K. 2004. Predicting changes in water quality of Zayandehrud river using artificial neural networks. The Second National Student Conference on Water and Soil Resources, Shiraz University. (In Persian)


2. Alizadeh, A., 2001. Principles of Applied Hydrology. 3thed. Mashhad: Astan Qods Razavi Publishing.


3. Kuo, Y-M, Liu, C-W. And Lin, K-H. 2004. Evaluation of the ability of an artificial neural network model to assess the variation of groundwater quality in an area of blackfoot disease in Taiwan. Water Research, Vol. 38(1), pp. 148-58.


4. Noorani, V. And Salehi, K. 2008.  Modeling of rainfall – runoff using fuzzy neural network and adaptive neural networks and fuzzy inference methods compare. Pro ceedings of 4th National Congress on Civil Engineering; Tehran.


5. Asadollahfardi, A., Taklifi, Gh. and Ghanbari A. 2012. Application of artificial neural network to predict TDS in Talkheh Rud River. Journal of Irrigation and Drainage Engineering. Vol. 138, pp. 363–370.


6. Musavi-Jahromi, SH. And Golabi, M. 2008. Application of artificial neural networks in the river water quality modeling: Karoon river, Iran. Journal of Applied Sciences, Vol. 8, pp. 2324-28.


7. Najah, A., Elshafie. A., Karim, OA. And Jaffar, O. 2009. Prediction of Johor river water quality parameters using artificial neural networks. European Journal of Scientific Research, Vol. 28, pp. 422-35.


8. Banejad, H., Kamali, M., Amirmoradi, K. and Olyaie, F. 2013. Forecasting some of the Qualitative Parameters of Rivers Using Wavelet Artificial Neural Network Hybrid (W-ANN) Model (Case of study: Jajroud River of Tehran and Gharaso River of Kermanshah). Journal Health & Environ., Vol. 6, pp. 277-294. (In Persian)


9. Mirzavand, M., Sadati Nrjad, M. and Akbari, M. 2015. Simulation Changes in groundwater quality with artificial neural network model (Case study: Kashan aquifer). Iranian Journal of Natural Resources, Vol. 68, pp. 159-171. (In Persian)


10. Sayadi Shahraki, A. and Naseri, A. A. 2016. Simulation of Groundwater Nitrate Concentration Using Artificial Neural Network and Particle Accumulation Algorithms (PSO) and Genetics (GA) (Case Study: Behbahan Plain). Journal of Environmental Science and Technology, in turn. (In Persian)


11. Adib, A. and Zamani, R. 2015. Evaluation of the Spatial Variability of Groundwater Quality Factors in The Dezful Plain Using Geostatistics Methods. Journal of Water Resources Engineering, Vol. 8, pp. 1-12. (In Persian)


12. Eberhart, R. And Shi, Y. 2000. Comparing inertia weights and constriction factors in particle swarm, in: Proceedings of the  Congress on Evolutionary Computation, 16-19 Jul 2000, La Jolla; pp. 84–88.