استفاده از روش‌های نوین هوش مصنوعی در بررسی کیفیت منابع آب زیرزمینی (مطالعه موردی: دشت سلماس)
محورهای موضوعی : فصلنامه زمین شناسی محیط زیست
1 - دانشجوی دکتری سازه های آبی، گروه مهندسی آب دانشگاه تبریز
2 - دانشجوی دکتری آبیاری و زهکشی دانشگاه علوم کشاورزی و منابع طبیعی گرگان
کلید واژه: شبکه عصبی, کیفیت آب, مصارف کشاورزی, مدل RBF, مدل GFF,
چکیده مقاله :
با توجه به تمام پیشرفت های صورت گرفته در مدیریت منابع آب، معضل بررسی کیفیت آب های زیرزمینی اصلی ترین مشکلی است که در اکثر دشت های ایران مشاهده می شود. لذا مدیریت و پایش کیفیت منابع آب از اهمیت بالایی برخوردار است. در این تحقیق سعی شد با به کارگیری دو مدل RBF و GFF شبکه عصبی مصنوعی به پیش بینی و برآورد کیفیت آب های زیرزمینی دشت سلماس پرداخته شود. جهت نیل به این هدف، از داده‌های کیفی آب زیرزمینی مربوط به دشت سلماس در دوره آماری 10 ساله (90-1381) استفاده گردید و نتایج بر اساس استانداردهایویلکاکس،شولرو پایپر موردبررسیقرارگرفت. 70 درصد داده های موجود به منظور آموزش شبکه و از 10 درصد داده ها برای صحت سنجی دو مدل استفاده شد. لذااز20درصدباقی ماندهداده های موجودبرایآزمایششبکهاستفادهگردید. به کارگیری متغیرهای آماری مناسب و کاربردی نشان داد مدل RBF با آموزش Levenberg Marquardt و 4 لایه مخفی قابلیت بالایی در برآورد و پیش بینی کیفیت آب زیرزمینی دارد، هم‌چنین ضریبهم بستگیدر این مدل برابر 88/0 وجذرمیانگینمربعاتخطابرابر 71/29% به دست آمد. هم چنین نتایج استفاده از دیاگرام های مختلف نشان می دهد نمونه هادارایسختیو خورندگی کممی‌باشند. طبقطبقه بندیکلاس ها،اکثر داده ها درکلاس C3S1 قراردارند. براساس نتایج، تمامی منابع آبی منطقه مورد مطالعه، به‌ترتیب برای کشاورزی، شرب و صنعت در حد مناسب، خوب، قابل قبول میباشند.
Given all the advancements in water resources management engineering, the problem of groundwater quality assessment is the main problem encountered in most plains of Iran. Therefore, managing and monitoring the quality of water resources is very importance. In this study, we tried to predict and estimate the groundwater quality in the Salmas plain using RBF and GFF models. To achieve this aim, groundwater quality data of Salmas plain during 10 years (2001-2011) were used and results were analyzed according to Wilcox, Scholler and Piper standards. 70% of data were used to train the network and 10% of data were used to validate the two models. Therefore, the remaining 20% of available data was used for network testing. The application of appropriate and applicable statistical parameters showed that RBF model with Levenberg-Marquardt training and 4 hidden layers, has high ability to estimate and predict groundwater quality. Also R2= 0.88 and RMSE= 29.71% in this model. Also the results of using different diagrams show that samples have low hardness and corrosion. Most of the data is in the C3S1 class. According to the results, all the water resources of the study area are acceptable for agriculture, drinking and industry, respectively.
_||_