بهینهسازی و پیشبینی روند تغییرات پارامترهای کیفی آب زیرزمینی دشت دزفول با استفاده از دو مدل ANN+PSO و ANN+P-PSO
الموضوعات :
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
)
الکلمات المفتاحية: دزفول, الگوریتم بهینهسازی تجمع ذرات, پیشبینی, کیفیت آب,
ملخص المقالة :
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.
_||_