پایش پارامترهای کیفیت آب زیرزمینی با استفاده از روش سیستم استنتاج عصبی- فازی تطبیقی (ANFIS) (مطالعه موردی: دشت اردبیل) | ||
| یافتههای نوین زمینشناسی کاربردی | ||
| دوره 16، شماره 31، تیر 1401، صفحه 1-12 اصل مقاله (316.61 K) | ||
| شناسه دیجیتال (DOI): 10.22084/nfag.2021.23040.1440 | ||
| نویسندگان | ||
| حسنیه نظری* 1؛ مژگان دهقانی2؛ حسین پیرخراطی3؛ فرخ اسدزاده4؛ فرنوش حاجی زاده5 | ||
| 1دانشجوی دکتری مهندسی معدن (اکتشاف)، دانشگاه ارومیه، ارومیه، ایران | ||
| 2دانشجوی دکتری زمینشناسی زیست‌محیطی، دانشگاه ارومیه، ارومیه، ایران | ||
| 3استادیار گروه زمینشناسی، دانشگاه ارومیه، ارومیه، ایران | ||
| 4استادیار گروه علوم و خاک، دانشگاه ارومیه، ارومیه، ایران | ||
| 5دانشیار گروه مهندسی معدن، دانشگاه ارومیه، ارومیه، ایران | ||
| چکیده | ||
| مدلسازی مناسب کیفیت آب زیرزمینی از ابزارهای مهم برنامهریزی و تصمیمگیری در مدیریت منابع آب است. در این مطالعه به منظور مدلسازی تغییرات متغیرهای کیفی آب زیرزمینی دشت اردبیل از دادههای 60 حلقه چاه در اردیبهشت سال 1392 استفـاده گردید. دادهها در آزمایشگاه جهاد دانشگاهی استان آذربایجان غربی مورد آنالیز شیمیایی قرار گرفت. آمارهای توصیفی دادهها و ماتریس همبستگی پارامترهای مورد مطالعه با استفاده از نرمافزار SPSS بدست آمد. پارامترهای کیفی بررسی شده در این مقاله عبارت است از: EC، TDSو TH می باشد. دادهها پس از استانداردسازی، وارد محیط متلب شده و با استفاده از روش ANFIS-FCM ، پارامترهای آب زیرزمینی پیشبینی گردید. در این روش 70 درصد دادهها (42 نمونه) برای مجموعه داده آموزش و 30 درصد دادهها (18نمونه) برای مجموعه داده آزمون به طور تصادفی انتخاب شدند. برای مجموعه داده آموزش مدل ANFIS-FCM مقادیرEC (9142/0=R2 ،009391/0= MSE)، TDS (9703/0=R2 ، 00515/0=MSE)، TH (9741/0=R2 ، 00388/0= MSE) بدست آمدند و همچنین برای مجموعه داده آزمون مدل ANFIS-FCM مقادیرEC (987/0 =R2 ، 003383/0= MSE)، TDS (8381/0=R2 ، 00510/0=MSE)، TH (7625/0=R2 ، 0372/0= MSE) حاصل گردید. با استفاده از نتایج به دست آمده از این مدل، مشخص شد که پارامترهای آب زیرزمینی تخمین زده شده در محدودهی مورد بررسی از دقتی بسیار خوب و همبستگی بالایی نسبت به مقادیر اندازهگیری شده برخوردار بوده است. در نتیجه روش هوشمند ANFIS-FCM روشی موثر، کارآمد و دقیق جهت تخمین پارامترهای فیزیکی و شیمیایی آب میباشد. | ||
| کلیدواژه‌ها | ||
| مدل سازی؛ ANFIS-FCM؛ پارامترهای آب زیرزمینی؛ دشت اردبیل | ||
| مراجع | ||
|
حزباوی، ع.، دهقانی، ر (1398) ارزیابی مدلهای هوشمند در تخمین هدایتالکتریکی آبهای زیرزمینی (مطالعه موردی: دشت مازندران)، علوم و تکنولوژی محیط زیست، دوره21، شماره1.
سعیدی رضوی، ب.، عرب، ع (1397) پیشبینی سطح آب زیرزمینی با استفاده از مدلهای منطق فازی، شبکه عصبی و سری زمانی، مجله هیدروژئولوژی، سال سوم، شماره 2، ص 69-81.
شعبانی، م (1387) تعیین مناسبترین روش زمین آمار در تهیهی نقشهی تغییرات pH و TDS آبهای زیرزمینی دشت ارسنجان، مجله ی مهندسی آب، سال اول، ص 47-58.
فلاح، س.، قبادینیا، م.، شکرگزار دارابی، م.، قربانی دشتکی، ش (1391) بررسی پایداری منابع آب زیرزمینی دشت داراب استان فارس، مجله پژوهش آب در کشاورزی، جلد 26، شماره 2، ض 161 - 172.
نظری، ح.، تقوی، ب.، حاجیزاده، ف (1399) پیشبینی هدایتالکتریکی آب زیرزمینی با استفاده از روش سیستم استنتاج عصبی- فازی تطبیقی (ANFIS) مطالعه موردی: دشت‌های آذرشهر، عجبشیر و مراغه، نشریه یافتههای نوین زمینشناسی کاربردی، مقالات آماده انتشار.
نظری، ح.، دهقانی، م.، حاجیزاده، ف.، عباسنژاد، ا (1399) کاربرد روش ANFIS-FCM در اکتشافات معادن گچشوره مطالعه موردی: معدن گچشوره انار، دو نشریه یافتههای نوین زمینشناسی کاربردی، مقالات آماده انتشار.
Akbarzadeh, S., Arof, A.K., Ramesh, S., Khanmirzaei, M. H., Nor, R. M (2014) Prediction of Conductivity by Adaptive Neuro-Fuzzy Model, PLoS ONE, 9(3): e92241.
Banerjee, P., Singh, V. S., Chattopadhyay, K., Chandra, P. C., Singh, B (2011) Artificial neural network model as a potential alternative for groundwater salinity forecasting. Journal of Hydrology, 398(4): 212–220.
Bezdek, JC (1973) Fuzzy mathematics in pattern classification. Cornell university, Ithaca.
Chowdhury, M., Alouani, A., Hossain, F (2010) Comparison of ordinary kriging and artificial neural network for spatial mapping of arsenic contamination of groundwater. Stochastic Environ. Res. and Risk Assess, 24(1): 1-7.
Dolati Kordestani, M., Nohegar, A., Janizadeh, S (2018) Assessment of some Artificial Intelligence (AI)-based models for groundwater quality prediction (case study: Garoo plain). Desert Ecosystem Engineering Journal, 6(17): 27-42.
Emamgholizadeh, S., Moslemi, Kh., Karami, Gh (2014) Prediction the Groundwater Level of Bastam Plain (Iran) by Artificial Neural Network (ANN) and Adaptive Neuro-Fuzzy Inference System (ANFIS). European Water Resources Association (EWRA), 28(15): 5433-5446.
Gholami, R., Moradzadeh, A., Maleki, S., Amiri, S., Hanachi, J (2014) Applications of artificial intelligence methods in prediction of permeability in hydrocarbon reservoirs. J Pet Sci Eng, 122: 643-56.
Huiqun, M., Ling, L (2008) Water quality assessment using artificial neural network. In International Conference on Computer Science and Software Engineering 5-13 December, USA.
Isazadeh, M., Arabzadeh, R., Darbandi, S (2016) Performance Evaluation of Geostatistical Methods and Artificial Neural Network in Estimation of Aquifer Quality Parameters (Case Study: Qorveh Dehghan Plain). J. Water and Soil Sci, 20(77): 197-210 (In Persian).
Jang, JSR (1993) ANFIS: Adaptive-network-based fuzzy inference system. IEEE T Syst Man Cyb, 23(3): 665-685.
Jang, JSR., Sun, CT., Mizutani, E (1997) Neuro-Fuzzy and Soft Computing A Computional Approach to Learning and Machine Intelligence. Prentice Hall, 640p.
Jayalakshmi, T., Santhakumaran, A (2011) Statistical normalization and back propagation for classification. Int J Comput Theory Eng, 3 (1): 1793-8201.
Kadam, D. M., Nain, L., Samuel, D. V. K., Pandey, A. K (2005) Influence of different treatments on dehydrated cauliflower quality. International Journal of Food Science & Technology, 40(8): 849-856.
Khadam, I. M., Kaluarachchi, J. J (2006) Water quality modeling under hydrologic variability and parameter uncertainty using erosion-scaled export coefficients. Journal of Hydrology, 330 (1): 354-67.
Khodai, K., Shahsavari, A. A., Etebari, B) 2006) Vulnerability assessment Jovin aquifer with DRASTIC and GODS methods. Iranian Journal of Geology, 2(4): 73-87 (In Persian).
Kosko, B (1992) Neural Networks and Fuzzy Systems. A Dynamical Approach to Machine Intelligence, Prentice Hall, Englewood Cliffs, NJ, 449p.
Madan, K. J., Kamii, Y., Chikamori, K (2008) Cost-effective approaches for sustainable groundwater management in alluvial aquifer system. Water Resources Management, 23(2): 219-233.
MATLAB user’s guide (2006) Fuzzy logic Toolbox, by the math works Inc.
Mirzavand, M., Ghasemiyeh, H., Sadatinejad, SJ., Akbari, M (2015) Simulation of changes in groundwater quality using artificial neural network (case study: Kashan aquifer). Journal of Iranian Natural Resource, 68 (1): 159-171 (In Persian).
Moosavi, V., Vafakhah, M., Shirmohammadi, B., Behnia, N (2013) A Wavelet-ANFIS Hybrid Model for Groundwater Level Forecasting for Different Prediction Periods. Water Resources Management journal, 27(5): 1301-1321.
Nadiri, A., Chitsazan, N., Tsai, FTC., Asghari Moghaddam, A (2014) Bayesian artificial intelligence model averaging for hydraulic conductivity estimation. Journal of Hydrologic Engineering, 19(3): 520-532.
Nasr, M., Farouk Zahran, H (2014) Using of pH as a tool to predict salinity of groundwater for irrigation purpose using artificial neural network. The Egyptian Journal of Aquatic Researc, 40(2): 111-115.
Nava, P., Taylor, J (1996) The Optimization of Neural Network Performance through Incorporation of Fuzzy Theory. In: 11th Conference on Systems Engineering, 897-901.
Nourani, V., Alami, MT., Vousoughi, FD (2016) Self-organizing map clustering technique for ANN-based spatiotemporal modeling of groundwater quality parameters. Journal of Hydro informatics, 18(2): 288-309.
Srinivasan, K., Fisher, D (1995) Machine Learning Approaches to Estimating Software Development Effort. IEEE Transactions on Software Engineering, 21(2): 126–137.
Zare Abyaneh, H., Bayat, M., Akhavan, S., Mohamadi, M (2011) Estimation of nitrate in groundwater Hamedan-Bahar plain using artificial neural network and data separation effect on prediction accuracy. Journal of Ecology, 37(58): 129-140 (In Persian). | ||
|
آمار تعداد مشاهده مقاله: 399 تعداد دریافت فایل اصل مقاله: 93 |
||