یاسر باقری؛ اسفندیار عباس نوین پور؛ عطااله ندیری؛ کیوان نادری
چکیده
قسمت اعظم مساحت کشور از لحاظ جغرافیایی در کمربند خشک و نیمه خشک با بارندگی کم قرار گرفته است. رشد روز افزون جمعیت و محدودیت منابع آبی و استفاده بیش از قبل از منابع آب زیرزمینی در بیشتر نقاط کشور، پیش بینی دقیق مقدار این منابع را به دلیل اهمیت در برنامه ریزی و مدیریت بهینه می‌طلبد. در این تحقیق به منظورتخمین نوسانات سطح آب زیرزمینی ...
بیشتر
قسمت اعظم مساحت کشور از لحاظ جغرافیایی در کمربند خشک و نیمه خشک با بارندگی کم قرار گرفته است. رشد روز افزون جمعیت و محدودیت منابع آبی و استفاده بیش از قبل از منابع آب زیرزمینی در بیشتر نقاط کشور، پیش بینی دقیق مقدار این منابع را به دلیل اهمیت در برنامه ریزی و مدیریت بهینه می‌طلبد. در این تحقیق به منظورتخمین نوسانات سطح آب زیرزمینی آبخوان باروق در استان آذربایجان غربی و محدوده مطالعاتی میاندوآب از مدل-های هوش مصنوعی شامل مدل فازی و مدل ماشین بردار پشتیبان و شبکه عصبی مصنوعی برگشتی با به کارگیری داده‌های سطح آب زیرزمینی 7 پیزومتر انتخابی و همچنین تغییرات دما و بارش طی دوره زمانی 14 ساله(81-94) استفاده گردیده است. با وجود تواناییهای ذاتی هر یک از این مدل‌های هوش مصنوعی در پیشبینی سطح آب زیرزمینی، ناهمگنی فراوان محدوده مطالعاتی از حصول بازده بالای مدل‌ها میکاهد. لذا مدلسازی SOM-AI که ترکیب روش دسته بندی نقشه خودسازمانده و مدل‌های اجرا شده است، با تقسیم بندی منطقه مطالعاتی به مناطق همگن باعث افزایش بازده هر یک از مدل‌های مرکب در قسمتهای مختلف آبخوان گردید. نتایج نشان داد که روش ارائه شده می‌تواند روشی کارا در مدلسازی آبخوانهای ناهمگن و حتی چند لایه باشد.
سعید یوسف‌زاده؛ عطاالله ندیری
چکیده
امروزه آب زیرزمینی یکی از منابع اصلی آب آشامیدنی و کشاورزی و دیگر مصارف مختلف برای جوامع بشری است. با افزایش جمعیت و توسعهیافتگی جوامع، تقاضا برای این منبع طبیعی مهم و حیاتی و استراتژیک افزایش یافته است. این افزایش با کاهش منابع آبی با صدمه بر محیط آبخوانها همراه بوده است. بر این اساس برای رویارویی با بحران کم‌آبی و جلوگیری از تخریب ...
بیشتر
امروزه آب زیرزمینی یکی از منابع اصلی آب آشامیدنی و کشاورزی و دیگر مصارف مختلف برای جوامع بشری است. با افزایش جمعیت و توسعهیافتگی جوامع، تقاضا برای این منبع طبیعی مهم و حیاتی و استراتژیک افزایش یافته است. این افزایش با کاهش منابع آبی با صدمه بر محیط آبخوانها همراه بوده است. بر این اساس برای رویارویی با بحران کم‌آبی و جلوگیری از تخریب آبخوانها، مدیریت آنها و در پی آن شناخت دقیق متغیرهای هیدروژئولوژیکی به شدت احساس می‌شود. یکی از مهمترین این متغیرها، هدایت هیدرولیکی است. با وجود اینکه، سامانه آب زیرزمینی یک سامانه پیچیده است و برآورد متغیرهای هیدروژئولوژیکی که معمولاً با روش‌های کلاسیک مانند روش‌های آزمایشگاهی، اسلاگ تست، آزمایش ردیابی و آزمون‌های پمپاز انجام می‌گیرد؛ با عدم قطعیت ذاتی همراه بوده و پر هزینه و وقتگیر است. بنابراین، استفاده از روش‌های هوش مصنوعی برای برآورد هدایت هیدرولیکی، می‌تواند از عدم قطعیت این متغیر کم کند و تا حدودی بر دقت آن بیافزاید؛ تا بتواند بر نواقص موجود در روش‌های کلاسیک چیره شود. در این پژوهش چهار روش هوش مصنوعی، روش سامانه استنتاج فازی ممدانی، سامانه استنتاج فازی ساجنو، شبکه عصبی موجکی، و ماشین بردار پشتیبان کمینه مربعات به عنوان مدل‌های منفرد برای برآورد هدایت هیدرولیکی آبخوان مراغه بناب با استفاده از داده‌های ژئوفیزیکی سطحی در منطقه به کار گرفته شد. با توجه به اینکه هر کدام از مدل‌ها بر پایه ویژگیهای ذاتی خود در بخشی از این محدوده نتایج خوبی ارائه دادند. بنابراین برای استفاده همزمان از کارایی همه این مدل‌ها روش ترکیب غیرخطی با عنوان مدل هوش مصنوعی مرکب نظارت شده (SCMAI) برای برآورد هدایت هیدرولیکی در دشت مراغه- بناب استفاده و نتایج آن با استفاده از معیارهای ارزیابی مختلف نشان داده شد. مدل SCMAI با استفاده از 15 داده مورد آزمایش قرار گرفت. مقادیر RMSE و به ترتیب برابر 045/0 و 97/0 به دست آمد. با مقایسه این مقادیر با مقادیر محاسبه شده برای مدل‌های منفرد یاد شده، دیده شد که مدل SCMAI با داشتن RMSE کمتر و بهتر از مدل‌های هوش مصنوعی منفرد است. این نتایج بیان می‌دارد که مدل SCMAI کارآیی بالایی در برآورد مقادیر هدایت هیدرولیکی در آبخوان آزاد و هتروژن دشت مراغه- بناب نشان می‌دهد.
