اثر نویز در پیش‌بینی زمانی جریان و انتقال آلودگی در محیط متخلخل با استفاده از مدل‌های هوش مصنوعی

زمینه و هدف: عدم قطعیت پارامترهای صحرایی، نویز در داده های مشاهداتی و شرایط مرزی نامشخص از مهم‌ترین عوامل محدود کننده در مدل‌سازی جریان و انتقال آلودگی در محیط‌های متخلخل است.روش بررسی: در این تحقیق، دشت میاندوآب به‌عنوان مطالعه موردی برای شبیه سازی تراز آب زیرزمینی و غلظت کلراید انتخاب شد. برای مدل‌سازی زمانی انتقال آلودگی از روش‌های هوش مصنوعی استفاده شد. در روش پیشنهادی، ابتدا سری های زمانی تراز آب زیرزمینی و غلظت کلراید در پیزومترهای مختلف با استفاده از روش آستانه موجک رفع نویز شدند. در ادامه اثر نویز و رفع نویز در سری های زمانی تراز آب زیرزمینی و غلظت کلراید در مدل‌های هوش مصنوعی موردبررسی قرارگرفت. برای این منظور، 14 پیزومتر مختلف با استفاده از شبکه عصبی مصنوعی و سیستم عصبیفازی تطبیقی برای تخمین غلظت کلراید در یک ماه بعد، آموزش و اعتبارسنجی شدند.یافته ها: نتایج نشان داد که روش آستانه موجک برای رفع نویز سری های زمانی می تواند تا 25 درصد کارایی مدل‌های هوش مصنوعی را افزایش دهد. همچنین توانایی مدل عصبیفازی تطبیقی در هر دو مرحله آموزش و صحت سنجی به دلیل کارایی منطق فازی برای غلبه بر عدم قطعیت پدیده از شبکه عصبی مصنوعی بیش تر بوده است.بحث و نتیجه گیری: استفاده از رفع نویز موجکی سری های زمانی به عنوان پیش پردازش داده ها در پیش بینی زمانی جریان آب زیرزمینی و انتقال آلاینده ها، کارایی مدل های هوش مصنوعی را افزایش می دهد.

Investigating the Effect of Noise on Temporal Prediction of Grouneater Flow and Contaminant Transport in Porous Media using Artificial Intelligence Models

Background and Objective: Uncertainties of the field parameters such as hydraulic conductivity and dispersion coefficient, unknown boundary conditions and the noise of the measured data are among the main limiting factors in the groundwater flow and contaminant transport (GFCT) modeling.Method: Miandoab plain was investigated as a case study for simulating groundwater level (GL) and chloride concentration (CC). This paper presents an artificial intelligencemeshless model for temporal GFCT modeling. In this study, time series of groundwater level (GL) and chloride concentration (CC) observed at different piezometers of Miyandoab plain (in Iran) were firstly denoised by the waveletbased data denoising approach. Then, the effect of noisy and denoised data on the performance of artificial intelligence model was compared. For this end, time series of GL and CC observed in 14 different piezometers were trained and verified via artificial neural network (ANN) and adaptive neurofuzzy inference system (ANFIS) models to predict the GL and CC at one month ahead.Findings: The results showed that the thresholdbased wavelet denoising approach can enhance the performance of the modeling up to 25%. Reliability of ANFIS model is more than ANN model in both calibration and verification stages duo to the efficiency of fuzzy concept to overcome the uncertainties of the phenomenon.Discussion and Conclusion: Waveletdenoising approach as a data preprocessing method enhances the performance of the artificial intelligence model in temporal modeling of GFCT.