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 , عبدالرحیم هوشمند ² , عاطفه صیادی شهرکی ³

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

تاريخ الإرسال : 26 الإثنين , ذو القعدة, 1437 تاريخ التأكيد : 21 الإثنين , صفر, 1438 تاريخ الإصدار : 12 الثلاثاء , ذو القعدة, 1442

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.

المصادر:

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.