بررسی هیدروژئوشیمی آب های زیرزمینی دشت شیرامین با استفاده از شبکه عصبی مصنوعی

محورهای موضوعی : مدیریت جامع منابع آب

رضا نوروزی ¹ (گروه مهندسی آب دانشگاه تبریز)
سمیه امامی ² (گروه مهندسی آب دانشگاه تبریز)
حامد شیر علی زاده ³ (گروه آب دانشگاه تبریز)

تاریخ دریافت : 1397/07/06 تاریخ پذیرش : 1400/02/20 تاریخ انتشار : 1400/03/01

کلید واژه: شبکه عصبی مصنوعی, کیفیت آب زیرزمینی, دشت شیرامین, شاخص ویلکاکس, شاخص شولر,

چکیده مقاله :

آب‌های زیرزمینی از منابع مهم بهره‌برداری از آب در مناطق خشک و نیمه‌خشک می‌باشند. افزایش مصرف آب ناشی از افزایش جمعیت، باعث کاهش کیفی و کمی آبهای قابل استحصال شده است. هدف از این پژوهش ارزیابی دقت روش شبکه عصبی مصنوعی پرسپستون چندلایه بر کیفیت منابع آب زیرزمینی در دشت شیرامین استان آذربایجان‌شرقی می‌باشد. در مطالعه‌ی حاضر، کیفیت هیدروژئوشیمیایی منابع آب زیرزمینی در دشت شیرامین استان آذربایجان‌شرقی از نظر شرب، کشاورزی و صنعت با استانداردهای ویلکاکس و شولر مورد بررسی قرار گرفت. در ادامه مدل سازی پارامترهای کیفی (TDS)، (EC) و (SAR) آب زیرزمینی با استفاده از شبکه‌های عصبی مصنوعی انجام شد. با توجه به شاخص‌های کیفی Willcox و Schueller آب‌های زیرزمینی برای مصارف کشاورزی در حد متوسط بوده و از نظر شرب نامطبوع و غیر قابل شرب می‌باشند. اکثر نمونه‌ها در کلاس c3s1 و در رده آب‌های متوسط قرار می-گیرند. نتایج حاصل حاکی از توانمندی قابل قبول و نتایج رضایت‌بخش مدل شبکه عصبی در پیش‌بینی کیفیت آب-های زیرزمینی می‌باشد.

چکیده انگلیسی:

Groundwater is one of the most important water resources in arid and semi-arid regions. Increased water consumption due to population growth, has a great impact on quality and quantity of water supply. The main aim of this study was to evaluate the accuracy of interpolation methods for predicting the spatial distribution of some groundwater quality indices for Shiramin plain. In this study, hydro-geochemical quality of groundwater resources for drinking, agricultural and industry purposes was investigated with the Wilcox and Schoeller Standards in Shiramin plain East Azerbaijan province, Iran. Further in the research, the modeling of quality parameters (TDS), EC and SAR is done with using artificial neural network. According to Schuler and Wilcox groundwater quality index, water was moderately suitable and unsuitable for agriculture and drinking, respectively. The most of the samples were in C3-S1 category. The results are representative of the acceptable performance of ANNs to predict groundwater quality. .