اثر نویز در پیش‌بینی زمانی جریان و انتقال آلودگی در محیط متخلخل با استفاده از مدل‌های هوش مصنوعی

محورهای موضوعی : آب و محیط زیست

شهرام موسوی ¹ , وحید نورانی ² , محمد تقی اعلمی ³

1 - استادیار، باشگاه پژوهشگران جوان و نخبگان، واحد میانه، دانشگاه آزاد اسلامی، میانه، ایران *(مسوول مکاتبات)
2 - استاد، گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز، ایران
3 - استاد، گروه مهندسی آب، دانشکده مهندسی عمران، دانشگاه تبریز، ایران

تاریخ دریافت : 1395/09/17 تاریخ پذیرش : 1395/11/05 تاریخ انتشار : 1398/05/01

کلید واژه: رفع نویز موجکی, هوش مصنوعی, انتقال آلودگی, محیط متخلخل,

چکیده مقاله :

زمینه و هدف: عدم قطعیت پارامترهای صحرایی، نویز در داده های مشاهداتی و شرایط مرزی نامشخص از مهم‌ترین عوامل محدود کننده در مدل‌سازی جریان و انتقال آلودگی در محیط‌های متخلخل است. روش بررسی: در این تحقیق، دشت میاندوآب به‌عنوان مطالعه موردی برای شبیه سازی تراز آب زیرزمینی و غلظت کلراید انتخاب شد. برای مدل‌سازی زمانی انتقال آلودگی از روش‌های هوش مصنوعی استفاده شد. در روش پیشنهادی، ابتدا سری های زمانی تراز آب زیرزمینی و غلظت کلراید در پیزومترهای مختلف با استفاده از روش آستانه موجک رفع نویز شدند. در ادامه اثر نویز و رفع نویز در سری های زمانی تراز آب زیرزمینی و غلظت کلراید در مدل‌های هوش مصنوعی موردبررسی قرارگرفت. برای این منظور، 14 پیزومتر مختلف با استفاده از شبکه عصبی مصنوعی و سیستم عصبی-فازی تطبیقی برای تخمین غلظت کلراید در یک ماه بعد، آموزش و اعتبارسنجی شدند. یافته ها: نتایج نشان داد که روش آستانه موجک برای رفع نویز سری های زمانی می تواند تا 25 درصد کارایی مدل‌های هوش مصنوعی را افزایش دهد. همچنین توانایی مدل عصبی-فازی تطبیقی در هر دو مرحله آموزش و صحت سنجی به دلیل کارایی منطق فازی برای غلبه بر عدم قطعیت پدیده از شبکه عصبی مصنوعی بیش تر بوده است. بحث و نتیجه گیری: استفاده از رفع نویز موجکی سری های زمانی به عنوان پیش پردازش داده ها در پیش بینی زمانی جریان آب زیرزمینی و انتقال آلاینده ها، کارایی مدل های هوش مصنوعی را افزایش می دهد.

چکیده انگلیسی:

Background and Objective: Uncertainties of the field parameters such as hydraulic conductivity and dispersion coefficient, unknown boundary conditions and the noise of the measured data are among the main limiting factors in the groundwater flow and contaminant transport (GFCT) modeling. Method: Miandoab plain was investigated as a case study for simulating groundwater level (GL) and chloride concentration (CC). This paper presents an artificial intelligence-meshless model for temporal GFCT modeling. In this study, time series of groundwater level (GL) and chloride concentration (CC) observed at different piezometers of Miyandoab plain (in Iran) were firstly de-noised by the wavelet-based data de-noising approach. Then, the effect of noisy and de-noised data on the performance of artificial intelligence model was compared. For this end, time series of GL and CC observed in 14 different piezometers were trained and verified via artificial neural network (ANN) and adaptive neuro-fuzzy inference system (ANFIS) models to predict the GL and CC at one month ahead. Findings: The results showed that the threshold-based wavelet de-noising approach can enhance the performance of the modeling up to 25%. Reliability of ANFIS model is more than ANN model in both calibration and verification stages duo to the efficiency of fuzzy concept to overcome the uncertainties of the phenomenon. Discussion and Conclusion: Waveletde-noising approach as a data preprocessing method enhances the performance of the artificial intelligence model in temporal modeling of GFCT.  

منابع و مأخذ:

1. Bear, J., Cheng, A. H.-D.,2010. Modeling Groundwater Flow and Contaminant Transport, Springer Science, Business Media.


2. Singh, R. M., Datta, B.,2007. Artificial Neural Network Modeling for Identification of Unknown Pollution Sources in Groundwater with Partially Missing Concentration Observation Data, Water Resources Management, 21, pp. 557-572.


3. Nourani, V., Mogaddam, A. A., Nadiri, A. O., 2008. An Ann-Based Model for Spatiotemporal Groundwater Level Forecasting, Hydrological Processes, 22, pp. 5054-5066.


4. Li, X., Tsai, F. T.-C., 2009. Bayesian Model Averaging for Groundwater Head Prediction and Uncertainty Analysis Using Multimodel and Multimethod, Water resources research, 45(9).


5. Taormina, R., Chau, K.-W., 2014. Neural Network River Forecasting with Multi-Objective Fully Informed Particle Swarm Optimization, Journal of Hydroinformatics, 17(1), pp. 99-113.


6. Foddis, M. L., Ackerer, P., Montisci, A., Uras, G., 2015. Ann-Based Approach for the Estimation Aquifer Pollutant Source Behaviour, Water Science and Technology: Water Supply, 15(6), pp. 1285-1294.


7. Nourani, V., Alami, M. T., Vousoughi, F. D., 2015. Wavelet-Entropy Data Pre-Processing Approach for Ann-Based Groundwater Level Modeling, 524, pp. 255-269.


8. Nourani, V., Hosseini Baghanam, A., Adamowski, J., Kisi, O., 2014. Applications of Hybrid Wavelet–Artificial Intelligence Models in Hydrology: a Review. Journal of Hydrology. 514, pp. 358-377.


9. Nourani, V., Hosseini Baghanam, A., Rahimi, A. Y., Nejad, F. H., 2014. Evaluation of Wavelet-Based De-Noising Approach in Hydrological Models Linked to Artificial Neural Networks, In: Islam, T., Srivastava, P.K., Gupta, M., Mukherjee, S., Zhu, X., Eds.). Artificial Intelligence Techniques in Earth and Environmental Science, Springer. pp. 209-241.     


10. Cannas, B., Fanni, A., See, L., Sias, G., 2006.  Data Preprocessing for River Flow Forecasting Using Neural Networks: Wavelet Transforms and Data Partitioning. Physics and Chemistry of the Earth. 31, pp.1164-1171.


11. Nourani, V., Komasi, M., Mano, A., 2009. A Multivariate ANN-Wavelet Approach for Rainfall-Runoff Modeling. Water Resources Management. 23, pp. 2877-2894.


12. Guo, J., Zhou, J., Qin, H. Zou, Q., Li, Q., 2011.  Monthly Streamflow Forecasting Based on Improved Support Vector Machine Model. Expert Systems with Applications. 38(10), pp. 13073–13081.


13. Donoho, D. L., 1995. De-noising by Soft-Thresholding. IEEE Transactions on Information Theory. 41, pp. 613-627.


14. Donoho, D. L., Johnstone, I. M., 1995. Adapting to Unknown Smoothness via Wavelet Shrinkage. Journal of the American Statistical Association. 90(432), pp. 1200-1224.


15. Nourani, V., Andalib, G., 2015. Daily and Monthly Suspended Sediment Load Predictions Using Wavelet Based Artificial Intelligence Approaches, Journal of Mountain Science, 12(1), pp. 85-100.


16. Hornik, K., Stinchcombe, M., White, H., 1989. Multilayer Feedforward Networks Are Universal Approximators, Neural Networks, 2, pp. 359-366.


17. Govindaraju, R. S., 2000. Artificial Neural Networks in Hydrology. Ii: Hydrologic Applications, Journal of Hydrologic Engineering, 5, pp. 124-137.


18. Jang, J.-S. R., Sun, C.-T., Mizutani, E., 1997. Neuro-Fuzzy and Soft Computing; a Computational Approach to Learning and Machine Intelligence, Prentice-Hall.


19. Kacprzyk, J., Pedrycz, W., 2015. Springer Handbook of Computational Intelligence, Springer.