%0 Journal Article %T طراحی دو شبکه عصبی مصنوعی برای تعیین متغیرهای آبخوان محبوس نشتی %J فصلنامه علمی علوم زمین %I سازمان زمین شناسی و اکتشافات معدنی کشور %Z 1023-7429 %A آذری, طاهره %A سامانی, نوذر %D 2016 %\ 12/01/2016 %V 25 %N 97 %P 375-386 %! طراحی دو شبکه عصبی مصنوعی برای تعیین متغیرهای آبخوان محبوس نشتی %K برآورد متغیر آبخوان %K لایه ‌نیمه‌تراوا %K شبکه عصبی مصنوعی %K تجزیه مؤلفه اصلی (PCA) %K الگوریتم آموزش لونبرگ- مارکوآرت (LM) %R 10.22071/gsj.2015.41591 %X در سال‌های اخیر، شبکه‌های عصبی مصنوعی (Artificial Neural Networks - ANNs) به‌عنوان جایگزین روش‌های انطباق منحنی‌تیپ (Type curve matching techniques) برای تعیین متغیرهای آبخوان استفاده می‌شوند. در این پژوهش دو شبکه عصبی مصنوعی از نوع پرسپترون چندلایه (Multilayer Perceptron Network - MLPN) برای تعیین متغیرهای آبخوان محبوس نشتی (leaky confined aquifer) طراحی شده است. نشت آب به آبخوان یا از لایه ‌نیمه‌تراوا و یا ازآب ذخیره شده در لایه نیمه‌تراوا منشأ می‌گیرد. توابع چاه (well functions) ‌مربوط به آبخوان‌های نشتی با این دو سازوکار نشت از لایه ‌نیمه‌تراوا به این دو شبکه‌ آموزش داده شده است. با اعمال روش تجزیه مؤلفه اصلی (Principal Component Analysis - PCA) بر مجموعه داده‌های آموزش، توپولوژی هر دو شبکه کاهش و بازدهی آنها به‌طور قابل ملاحظه‌ای افزایش داده شد. بر خلاف شبکه‌های موجود، توپولوژی شبکه‌های طراحی شده به شمار داده‌های افت- زمان آزمون پمپاژ وابسته نیست و ساختار آن به‌ ترتیب با 2، 10 و 2 نورون در لایه‌های ورودی، پنهان و خروجی (2×10×2) ثابت است. شبکه‌ها با دریافت داده‌های آزمون پمپاژ، مختصات نقطه انطباق (match point coordinates) را تولید می‌کنند. مختصات نقطه انطباق با حل‌های تحلیلی Hantush & Jacob (1955) و Hantush (1960) ترکیب می‌شود و مقادیر متغیرهای آبخوان به دست می‌آید. عملکرد دو شبکه با داده‌های سه آزمون پمپاژ واقعی ارزیابی و دقت آنها با روش‎های انطباق منحنی تیپ مقایسه شده است. شبکه‌های پیشنهادی به ‌عنوان یک روش جایگزین دقیق‌تر نسبت به شبکه عصبی مصنوعی پیشین و انطباق منحنی تیپ برای محاسبه متغیرهای آبخوان نشتی توصیه می‌شود.  %U http://www.gsjournal.ir/article_41591_66c605ed0341c4d659dd2abacefdf320.pdf