برآورد هدایت هیدرولیکی با استفاده از روش SCMAI ، مطالعه موردی: آبخوان دشت مراغه- بناب (آذربایجان شرقی)

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


عنوان مقاله [English]

Estimation of hydraulic conductivity by using of SCMAI model. A case study: Maraghe-bonab aquifer.

نویسندگان [English]

  • S. Yusefzadeh 1
  • A. A. Nadiri 2
1 M.Sc. Student, Department of Earth Sciences, Faculty of Natural Sciences, University of Tabriz, Tabriz, Iran
2 Associated Professor, Department of Earth Sciences, Faculty of Natural Sciences, University of Tabriz, Tabriz, Iran
چکیده [English]

Today Ground water is the main source of drinking, agriculture and other uses for humans. The demand for this critical and strategic natural resource increased with population growth and development of society. This increasing has been declining water resources and damage aquifers environment. Therefore, we need to manage aquifers and understanding the hydrogeological parameters to deal with the water crisis and prevent the distraction of aquifers. The one of most important parameter is hydraulic conductivity. Although, the ground water system is a complex system and estimation of hydrogeological parameters is associated with inherent uncertainty and also is costly and time consuming that usually done with classical methods such as laboratory tests, slug test, tracing test and pumping tests. So recently use artificial intelligence methods for estimation of hydraulic conductivity, reduced the uncertainty of this parameter and it adds up some accuracy. So that it can overcome on the shortcoming of classical methods. In this study, four artificial intelligence methods; mamdani fuzzy logic(MFL) system, sugeno fuzzy logic(SFL) system, Wavelet-neural network method and Least square support vector machine(LS-SVM) method were used as individual models to estimate the hydraulic conductivity by using of surface geophysical data in Maragheh-Bonab aquifer. Given that each these models based on their inherent properties, they presented good results in some parts of area. Therefore, for concurrent use of performance of all these models the nonlinear combination method as a supervised committee machine artificial intelligence (SCMAI) model were used to estimate the hydraulic conductivity in maragheh-bonab aquifer. The result of this model showed that this new combinational model has high performance than other single models that presented by using different evaluation criteria. Therefore, this model could also be used for estimation hydrogeological parameters in areas with high complexity. The SCMAI model was tested against 15 data. The RMSE and  for SCMAI prediction were computed as 0.045 and 0.97, respectively. Comparing the error measure values with dose of individual models above, it is seen that SCMAI outperforms individual AI models with low RMSE and high  values. This result implies that SCMAI model shows high performance for estimation the hydraulic conductivity values in the heterogeneous unconfined aquifer in Maragheh-Boanb plain.

کلیدواژه‌ها [English]

  • Wavelet-neural network
  • Support Vector Machine
  • Fuzzy logic
  • Hydraulic conductivity
  • Supervised compound artificial intelligence

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.

 

 

 

.