بررسی عملکرد تکنیکهای هوشمند نوین درشبیه سازی نیترات آب زیرزمینی .
محورهای موضوعی : منابع آب
1 - گروه مهندسی ومدیریت منابع آب، واحد شوشتر، دانشگاه آزاد اسلامی، شوشتر، ایران
کلید واژه: نیترات, شبیه سازی, شبکة عصبی مصنوعی , ماشین بردارپشتیبان, نروفازی.,
چکیده مقاله :
امروزه با توجه به خشکسالی های اخیر، یکی از اصلی ترین منابع تامین آب شرب در کشور، منابع زیرزمینی هستند و از طرفی نیترات یکی از مهم‌ترین آلاینده‌های منابع آب زیرزمینی می باشد، که اثرات نامطلوبی بر سلامت افراد دارد. پژوهش حاضر در صدد مقایسه و ارائه تکنیکی کارآمد و نوین جهت شبیه سازی وپیش بینی نیترات در این منابع می باشد. بنابراین سه تکنیک شبکه عصبی مصنوعی (ANN)وسیستم استنتاج عصبی – فازی(ANFIS) و ماشین بردارپشتیبان(SVM) درشبیه سازی به عنوان ابزاری مبتنی بر داده مقایسه میشود. شبیه سازی بر اساس نمونه های مشاهداتی از چاه های موردنظردر آبخوان مورد مطالعه طی 13سال صورت گرفته و بازه زمانی مدلسازی، ماهانه انتخاب شده است. تخمین زننده ها شبیه سازی مدل شامل منیزیم(Mg) ، بیکربنات(Hco3) ، کلسیم(Ca) ، سدیم(Na میباشند. نخست شبیه سازی هرتکنیک بصورت مجزا از آرایشهای مختلف انجام میشود. بر اساس نتایج حاصل از معیارهای ارزیابی سیستم نروفازی با ضریب همبستگی9978/0 R2= و 0002/0 MSE= از قابلیت و توانایی مناسبتری برخوردار میباشد.
Today, due to recent drought, one of the main sources of drinking water in the country is underground resources, and also nitrate is one of the most important pollutants of groundwater resources, which has adverse effects on people's health. The present study seeks to compare and provide an efficient and innovative technique for simulating and predicting nitrate in these resources. Therefore, three artificial neural network techniques (ANN) , neuro-fuzzy inference system (ANFIS) and support vector machine(SVM) are compared in simulation as a data-driven tool. Simulation based on observation samples from wells in the aquifer under study for 13 years and the modeling period has been selected monthly. Estimates of model simulation include magnesium (Mg), bicarbonate (Hco3), calcium (Ca), sodium (Na). First the simulation of each technique is done separately from the various arrangements. Based on the results of the evaluation of the neuro-fuzziness system with the coefficient The correlation between R2 = 9978 and R2 = 0/0002 MSE = are more suitable.