طراحی یک شبیه شبکه‌ی عصبی مصنوعی جهت تعیین فراسنجهای آبخوان آزاد

الموضوعات :

طاهره آذری ¹ (دانشجوی دکترای زمین شناسی گرایش آبشناسی، بخش علوم زمین، دانشکده علوم، دانشگاه شیراز)
نوذر سامانی ² (استاد بخش علوم زمین، دانشکده علوم، دانشگاه شیراز)

تاريخ الإرسال : 20 السبت , رمضان, 1437 تاريخ التأكيد : 20 السبت , رمضان, 1437 تاريخ الإصدار : 16 الثلاثاء , رمضان, 1437

الکلمات المفتاحية: شبکه‌ی عصبی مصنوعی, فراسنجهای آبخوان, تحلیل مولفه‌ی اصلی, الگوریتم آموزش لونبرگ- مارکوآرت, آزمون آبکشی,

ملخص المقالة :

در این مقاله، یک شبکه­ی عصبی مصنوعی جهت تعیین فراسنجهای آبخوان آزاد (قابلیت انتقال آبخوان، ضریب ذخیره، آبدهی ویژه و شاخص تأخیر) طراحی گردیده است. تابع چاه مربوط به آبخوانهای آزاد با روش پس انتشار خطا و به کارگیری الگوریتم بهینه سازی لونبرگ-مارکوآرت به این شبکه آموزش داده شده است. با اعمال روش تحلیل مولفه­ی‌ اصلی بر مجموعه داده‌های آموزش، ساختار شبکه با آرایش (3×6×3)، صرف نظر از تعداد داده‌های آزمون آبکشی، ثابت گردید و بازده­ی آن بطور قابل ملاحظه ای افزایش داده شد. این شبکه با دریافت هر مجموعه داده آزمون آبکشی واقعی، مختصات نقطه انطباق بهینه را تولید می‎کند، سپس مختصات نقطه­ی انطباق با حل تحلیلی بولتون (1963) ترکیب گردیده، و مقادیر فراسنجهای آبخوان محاسبه می‌شوند. توانایی تعمیم و عملکرد این شبکه با 100000 مجموعه­ی داده مصنوعی ارزیابی گردید و دقت آن با استفاده از داده‌های دو آزمون آبکشی واقعی با روش انطباق منحنی نمونه­ی کامل مقایسه شد. شبکه­ی پیشنهادی به عنوان یک روش جایگزین ساده‌تر و دقیقتر نسبت به روش مرسوم انطباق منحنی نمونه­ی کامل برای محاسبه فراسنجهای آبخوان آزاد توصیه می‌شود.

المصادر:

1. Boulton, N.S. 1954. The drawdown of the water table under non-steady conditions near a pumped well in an unconfined formation. Proc, Instn. Civ. Eng. 3: 574.


2. Boulton, N.S. 1963. Unsteady radial flow to a pumped well allowing for delayed yield from storage. 472-477.


3. Cattell, R.B. 1966. The scree test for the number of factors. Multivar. Behav. Res. 1: 245-276.


4. Chris, D., and H. Xiaofeng. 2004. K-Means clustering via principal component analysis. In proceedings of the 21st Int. Conf. Machine Learning, Banff, Canada.


5. Coulibaly, P., F. Anctil, R. Aravena, and B. Bobee. 2001. Artificial neural network modeling of water table depth fluctuations. Water Resour. Res. 37: 885–896.


6. Daliakopoulos, I.N., P. Coulibaly, and I.K. Tsanis. 2005. Groundwater level forecasting using artificial neural networks. J Hydrol. 309: 229–240.


7. De Ridder, N.A. 1966. Analysis of the pumping test De Vennebulten near Varsseveld (in Dutch). Inst. Land and Water Manag. Res, Wageningen, Report no. 335, 5 pp.


8. Gambolati, G. 1976. Transient free surface flow to a well: An analysis of theoretical solutions. Water Resour. Res. 12: 27-39.


9. Hantush, M.S., and C.E. Jacob. 1955. Non-steady radial flow in an infinite leaky aquifer. Trans Am Geophys Union. 36: 95–100.


10. Haykin, S. 1999. Neural networks: a comprehensive foundation. Prentice-Hall: Englewood Cliffs, N.J.


11. Hornik, K., M. Stinchcombe, and H. White. 1989. Multilayer feed forward networks are universal approximators. Neural Networks. 2: 359–366.


12. Lin, G.F., and G.R. Chen. 2005. Determination of aquifer parameters using radial basis function network approach. J Chinese Inst. Eng. 28: 241-249.


13. Lin, G.F., and G.R. Chen. 2006. An improved neural network approach to the determination of aquifer parameters. J. Hydrol. 316: 281–289.


14. Lin, H.T., K.Y. Ke, Ch.H. Chen, Sh.Ch. Wu, and Y.Ch. Tan. 2010. Estimating anisotropic aquifer parameters by artificial neural networks. Hydrol. Process. 24: 3237–3250.


15. McCulloch, W., and W. Pitts. 1943. A logical calculus of the ideas immanent in nervous activity. Bull Math Biophys. 5: 113–115.


16. Maier, H.R., and G.C. Dandy. 1999. Empirical comparison of various methods for training feed-forward neural networks for salinity forecasting. Water Resour Res. 32: 2591–2596.


17. Maier, H.R., and G.C. Dandy. 2000. Neural networks for the prediction and forecasting of water resources variables: A review of modeling issues and applications. Environ Modell Softw. 15: 101–124.


18. Neuman, S.P. 1972. Theory of flow in unconfined aquifers considering delayed response of the water table. Water Resour Res. 8: 1031-1045.


19. Neuman, S.P. 1973. Supplementary comments on theory of flow in unconfined aquifers considering delayed response of the water table. Water Resour. Res. 9: 1102-1103.


20. Neuman, S.P. 1975. Analysis of pumping test data from anisotropic unconfined aquifers considering delayed gravity response. Water Resour Res. 11: 329-342.


21. Neuman, S.P. 1979. Perspective on delayed yield. Water Resour Res 15: 899-908.


22. Prickett, T.A. 1965. Type curve solution to aquifer tests under water table conditions. Ground Water. 3.


23. Samani, N., M. Gohari-Moghadam, and A.A. Safavi. 2007. A simple neural network model for the determination of aquifer parameters. J Hydrol. 340: 1–11.


24. Streltsova, T.D. 1972a. Unconfined aquifer and slow drainage. J Hydrol. 16: 117-124.


25. 7. Streltsova, T.D. 1972b. Unsteady radial flow in an unconfined aquifer. Water Resour. Res. 8: 1059-1066.


26. Streltsova, T.D. 1973. On the leakage assumption applied to equations of groundwater flow. J. Hydrol. 20: 237-253.


27. Streltsova, T. D. 1976. Progress in research on well hydraulics. Advances in groundwater hydrology, Am. Water Resour. Assoc. 15-28.


28. Theis, C.V. 1935. The relationship between the lowering of the piezometric surface and the rate and duration of discharge of a well using ground-water storage. Trans. Am. Geophys Union. 16: 519–524.


29. Todd, D. K., and L. W. Mays. 2005. Groundwater hydrology. John Wiley & Sons, Inc., N.Y, USA.


30. Toth, E., A. Brath, and A. Montanari. 2000. Comparison of short-term rainfall prediction models for real-time flood forecasting. J. Hydrol. 239: 132–147.