طراحی دو شبکه عصبی مصنوعی برای تعیین متغیرهای آبخوان محبوس نشتی

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دکترا، گروه علوم ‌زمین، دانشکده علوم، دانشگاه شیراز، شیراز، ایران

2 استاد، گروه علوم ‌زمین، دانشکده علوم، دانشگاه شیراز، شیراز، ایران

چکیده

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. 

کلیدواژه‌ها


عنوان مقاله [English]

Two Multilayer Perceptron Networks for the Determination of Leaky Confined Aquifer Parameters

نویسندگان [English]

  • T Azari 1
  • N Samani 2
1 Ph.D., Department of Earth Sciences, Sciences College, Shiraz University, Shiraz, Iran
2 Professor, Department of Earth Sciences, Sciences College, Shiraz University, Shiraz, Iran
چکیده [English]

In recent years, the artificial neural networks (ANNs) are used as an alternative to the conventional type curve matching techniques for the determination of aquifer parameters. In this paper two multilayer perceptron networks (MLPNs) are developed for the determination of leaky confined aquifers parameters. Leakage into the aquifer takes place from either the upper aquifer through the confining aquitard or the storage in the confining aquitard. The first and second networks are trained for the well functions of leaky aquifers (a) without and (b) with storage in the confining aquitard, respectively. By applying the principal component analysis (PCA) on the adopted training data sets the topology of both networks are reduced and their efficiency increased considerably. In contrast to the existing networks the topology of developed networks is fixed to (2×10×2) regardless of number of records in the pumping test data. The networks generate the match point coordinates for any individual pumping test data set. The match point coordinates are incorporated with Hantush-Jacob (1955) and Hantush (1960) analytical solutions and the aquifer parameter values are determined. The performance of the MLPNs is evaluated by three sets of real field data and their accuracy is compared with that of type curve matching techniques. The proposed MLPNs are recommended as simple and reliable alternatives to previous ANN methods and the type-curve matching techniques.

کلیدواژه‌ها [English]

  • Aquifer parameter estimation
  • Aquitard
  • Artificial Neural Network
  • Principal component analysis (PCA)
  • Levenberg–Marquardt (LM) training algorithm