نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد، گروه علوم زمین، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران

2 دانشیار، گروه علوم زمین، دانشکده علوم طبیعی، دانشگاه تبریز، تبریز، ایران

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 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.

کلیدواژه‌ها

کتابنگاری
اصغری‎مقدم، ا.، ندیری، ع.، فیجانی، ا.، 1387- پیش‌بینی مکانی هدایت هیدرولیکی در محدودة متروی شهر تبریز، کنفرانس مشترک سازمان زمین‌شناسی‌ و انجمن زمین‌شناسی ایران، 2 ص.
اعلمی، م.، صادق‌فام، س.، فاضلی‌فرد، م. و نقی‌پور، ل.، 1392- مدل‌سازی سری داده ها، دانشگاه تبریز، تبریز، 299 ص..
فیجانی، ا.، 1392- هیدروژئولوژی و هیدروژئوشیمی آبخوان دشت مراغه- بناب با استفاده از مدلسازی آب زیرزمینی، رساله دکترای هیدروژئولوژی، گروه علوم زمین دانشگاه تبریز، 200ص.
قره‎خانی، م.، ندیری، ع.، اصغری‌مقدم، ا. و صادقی‎اقدم، ص.، 1394- بهینه‏‎سازی مدل دراستیک با استفاده از ماشین بردار پشتیبان و شبکه عصبی مصنوعی به‌منظور ارزیابی آسیب ‏پذیری ذاتی آبخوان دشت اردبیل. اکوهیدرولوژی، 3، صص. 311 تا 324.
کماسی، م.، 1386- مدلسازی بارش- رواناب با استفاده از مدل ترکیبی موجک-شبکه عصبی مصنوعی، پایان‌نامه کارشناسی ارشد هیدرولوژی گروه عمران، دانشگاه تبریز، 135 ص.
مختاری، ز.، ناظمی، ا. و ندیری، ع.، 1391- پیش‎بینی تراز آب زیرزمینی با استفاده از مدل شبکه‎های عصبی مصنوعی (مطالعهی موردی: دشت شبستر)، فصلنامه زمین شناسی کاربردی،4، صص. 345 تا 353.
مهندسین مشاور یکم، 1392- گزارش مطالعات آب زیرزمینی دشت مراغه- بناب، سازمان آب منطقه ای تبریز، 182 ص.
ندیری، ع. و یوسف‌زاده، س.، 1396- مقایسه کارآیی مدل‎های شبکهی عصبی مصنوعی، منطق فازی و سیستم استنتاج نرو-فازی تطبیقی در تخمین هدایت هیدرولیکی آبخوان دشت مراغه-بناب هیدروژئومورفولوژی، 10، صص. 21  تا 40.
ندیری، ع.، اصغری‎مقدم، ا.، عبقری، ه.، کلانتری اسکویی، ع.، حسین‌پور، ع. و حبیب‎زاده، ا.، 1393- مدل منطق فازی در تخمین قابلیت انتقال آبخوان، مطالعهی موردی: دشت تسوج، نشریه دانش آب و خاک، 1، 24، صص. 209 تا 223.
ندیری، ع.، واحدی، ف. و اصغری‌مقدم، ا.، 1395الف- پیش‎بینی سطح آب زیرزمینی با استفاده از مدل منطق فازی مرکب نظارت شده (مطالعه موردی: دشت مشگین‌شهر). هیدروژئومورفولوژی، 2(6)، صص. 115 تا 134.
 ندیری، ع.، واحدی، ف.، اصغری‌مقدم، ا. و کدخدایی، ع.، 1395ب- استفاده از مدل هوش مصنوعی مرکب نظارت شده برای پیش‌بینی سطح آب زیرزمینی. مهندسی عمران و محیط زیست، 46،3،  84، صص. 104 تا 112.
 
 
 
.