تعیین کیفیت آب در طول مسیر رودخانه با استفاده از شبکه‌های عصبی مصنوعی تکاملی (مطالعه موردی رودخانه کارون بازه شهیدعباسپور- عرب اسد)
Subject Areas : Irrigation and Drainageمحمد نیکو 1 , مهدی نیکو 2 , تیمور بابائی نژاد 3 , آزاده امیری 4 , قدرت الله رستم پور 5
1 - گروه عمران آموزشکده فنی و حرفه‌ای سما، دانشگاه آزاد اسلامی واحد اهواز، ایران.
2 - گروه عمران آموزشکده فنی و حرفه‌ای سما، دانشگاه آزاد اسلامی واحد اهواز، ایران.
3 - گروه کشاورزی، دانشگاه آزاد اسلامی، واحد اهواز، اهواز، ایران.
4 - گروه جغرافیا، دانشگاه آزاد اسلامی، واحد اهواز، اهواز، ایران.
5 - گروه زمین شناسی، دانشگاه آزاد اسلامی، واحد اهواز، اهواز، ایران.
Keywords:
Abstract :
رودخانه‌ها به عنوان اصلی ترین منبع تأمین کننده نیاز شرب، کشاورزی و صنعت از اهمیت خاصی برخوردار هستند. از طرفی کیفیت آب از لحاظ شرب نیز در بین پارامترهای کیفی مهم ترین متغیر می‌باشد. لذا بررسی و پیش بینی تغییرات پارامترهای کیفی در طول یک رودخانه، یکی از اهداف مدیران و برنامه ریزان منابع آب، می‌باشد. در این راستا تعداد زیادی مدل‌های کیفیت آب، در زمینه مدیریت بهتر برای حفظ کیفیت آب، گسترش یافته است. در این میان مدل‌های شبکه عصبی مصنوعی که با الهام از ساختار مغز بشر عمل می‌نمایند، به عنوان گزینه‌ای برتر، مورد تحقیق و بررسی قرار می‌گیرد. این تحقیق بر روی رودخانه کارون، بزرگترین رودخانه کشور و با استفاده از پارامترهای اندازه گیری شده در ایستگاه‌های موجود در طول رودخانه (بازه شهیدعباسپور- عرب اسد) انجام شده است. بدین منظور، دبی، ماه، طول رودخانه و پارامترهدایت الکتریکی اندازه گیری شده در ایستگاه‌های شهیدعباسپور، پل شالو، گتوندو عرب اسد به عنوان ورودی‌های مدل، در نظر گرفته شد. با استفاده از مدل شبکه عصبی، نسبت جذب سدیم (SAR) و کل املاح محلول (TDS) اندازه گیری شده در همان ایستگاه‌ها نیز پیش بینی می‌گردد. از جمله مواردی که در این تحقیق به عنوان یک روش جدید استفاده شده است،تعیین شاخص‌های کیفی آب، در چند ایستگاه به صورت هم زمان می‌باشد. به منظور بهینه کردن هرکدام ازمدل‌های شبکه عصبی مصنوعی، از الگوریتم ژنتیک استفاده گردید. نتایج نشان می‌دهد که مدلشبکه عصبی مصنوعی انتخاب شده، نسبت به مدل‌های آماری رگرسیون غیرخطی از توانایی، انعطاف پذیری و دقت بیشتری در پیش بینی کیفیت آب در رودخانه برخوردار می‌باشد.
- Faruk, D. O. (2010). A hybrid neural network and ARIMA model for water quality time series prediction. Engineering Applications of Artificial Intelligence,pp. 23 (4).
- Gavin J, G. C. (2004). Input determination for neural network models in water resources applications. Part 1-background and methodology. Journal Of Hydrology Elsevier.
- Kuo, j. T, Y.-Y. W.-S. (2006). A hybrid neural–genetic algorithm for reservoir water quality management. Water Research, 40 (6).
- Misaghy, K. M. (2005). predictIion of changes in river water quality using artificial neural networks. Second National Student Conference on Water and Soil Resources .
- Nushady, M. A. (2008). Simulation and prediction of calcium, magnesium, sodium, potassium, and sulfate in Zayandehrood river using artificial neural networks. Fourth National Conference on Watershed Management Science and Engineering of watershed management.
- Paulo Chaves, T. K. (2007). Deriving reservoir operational strategies considering water quantity and quality objectives by stochastic fuzzy neural networks. Advances in Water Resources , 30 (5), PP.1329-1341.
- Singh, A. B. Kunwar, P. (2009). Artificial neural network modeling of the river water quality ,A case study. Ecological Modelling, 220 (6).
- Yazdani, M. K. S. (2008). Using artificial neural networks in assessing the quality status of rivers. Fourth National Conference on Watershed Management Science and Engineering of watershed management. NeuroSolutions Getting Started Manual Version 4. (2010). Retrieved from Neurosolutons Getting Started Manunal Version 4. (2010). Reterieveh from Neurosolutions: www.nd.com.
- Yarmohammadi, E. C.-m. ,.-Z. (2007). Using artificial neural networks in simulation Karkheh river water quality . First Conference on Environmental Engineering .
- Zhang, Q.S.J, (1998). Forecasting raw-water quality parameters for the North Saskatchewan River by neural network modeling. Water Research , 31 (9).
