بهینه‌سازی و پیش‌بینی روند تغییرات پارامترهای کیفی آب زیرزمینی دشت دزفول با استفاده از دو مدل ann+pso و ann+p-pso

زمینه و هدف: برآورد و پیش بینی پارامترهای کیفی آب زیرزمینی به منظور تصمیم گیری‌های مدیریتی یکی از اهداف مدیران و برنامه ریزان منابع آب تلقی می‌گردد. در این راستا تعداد زیادی مدل در زمینه مدیریت بهتر برای حفظ کیفیت آب گسترش یافته است. بیش‌تر این مدل‌ها نیازمند پارامترهای ورودی هستند که یا دسترسی به آن‌ها مشکل است و یا اینکه اندازه‌گیری آن‌ها محتاج صرف هزینه و زمان زیادی می‌باشد.  در این میان مدل‌های شبکه عصبی مصنوعی که با الهام از ساختار مغز بشر عمل می‌نمایند، به‌عنوان گزینه‌ای برتر  معرفی می‌شوند.روش بررسی: پژوهش حاضر به منظور شبیه‌سازی پارامترهای کیفی آب زیرزمینی دشت دزفول شامل sar ، ec و tds با استفاده از مدل‌های ann+pso و ann+ppso و درنهایت مقایسه نتایج آن‌ها با داده‌های اندازه‌گیری شده‌، انجام گرفته است. اطلاعات ورودی   به مدل‌ها برای پارامتر کیفی tds شامل هدایت الکتریکی، نسبت جذبی سدیم، اسیدیته، سولفات، کلسیم، منیزیم و سدیم و برای پارامتر کیفی sar شامل مقدار کل نمک‌های محلول، اسیدیته، سدیم، بی کربنات و برای پارامتر کیفی ec شامل سولفات، کلسیم، منیزیم، نسبت جذبی سدیم و اسیدیته، از سال 1390 تا 1394 جمع آوری شده است.یافته‌ها: نتایج نشان داد بالاترین دقت پیش‌بینی پارامترهای کیفی sar ، ec و tds مربوط به مدل ann+ppso می‌باشد به‌طوری‌که مقدار آماره‌های   و  کم‌ترین مقدار و  بیش‌ترین مقدار را برای مدل مذکور دارد. مقدار  rmse در مرحله تست برای الگوریتم pso در پیش‌بینی sar ، ec و tds به ترتیب برابر 0.09، 0.045 (میکرو زیمنس بر سانتی متر) و 0.053 (میلی‌گرم بر لیتر) به دست آمد. این آماره‌ برای الگوریتم ppso در پیش‌بینی sar ، ec و tds به ترتیب برابر 0.039، 0.031 (میکرو زیمنس بر سانتی متر) و 0.045 (میلی‌گرم بر لیتر) تعیین شدند.بحث و نتیجه‌گیری:  نتایج نشان داد که الگوریتم ppso از دقت بیش‌تری نسبت به الگوریتم pso برخوردار بود. همچنین با توجه به این‌که تفاوت آماری معنی‌داری بین داده‌های اندازه‌گیری شده و شبیه‌سازی شده وجود نداشت؛ پیشنهاد می‌شود از شبکه‌ عصبی مصنوعی برای شبیه‌سازی پارامترهای کیفی در منابع آب زیرزمینی استفاده شود.

Optimization and Prediction Changes of Groundwater Quality Parameters Using ANN+PSO and ANN+P-PSO Models (Case Study: Dezful Plain)

Background and Objective: One of the main aims of water resource planners and managers is the estimation and prediction of groundwater quality parameters to make managerial decisions. In this regard, many models have been developed which proposed better managements in order to maintain water quality. Most of these models require input parameters which are hardly available or their measurements are time consuming and expensive. Among them, Artificial Neural Network (ANN) models inspired by human’s brain are a better choice.Method: The present study stimulated the groundwater quality parameters of Dezful plain including Sodium Adsorption Ratio (SAR), Electrical Conductivity (EC), Total Dissolved Solids (TDS), using ANN+PSO and ANN+PPSO models and in the end is comparing their results with measured data. The input data for TDS quality parameter consist of EC, SAR, pH, SO4, Ca, Mg and Na, for SAR including the TDS, pH, Na, Hco3 and quality parameter of EC contains So4, Ca, Mg, SAR and pH, gathered from 2011 to 2015.Findings: The results indicated that the highest prediction accuracy of quality parameters of SAR, EC and TDS is related to the ANN+PPSO model so that the MAE and RMSE statistics have the minimum and  has the maximum value for the model. The results showed that RMSE for PSO in predicting SAR, EC and TDS were 0.09, 0.045 (µs/cm) and 0.053 (mg/l) in testing period, respectively. These statistical criteria were 0.039, 0.031 (µs/cm) and 0.045 (mg/l) for PPSO in this period, respectively.Discussion and Conclusion: The results showed that PPSO had more accuracy compared to PSO. In addition, there were no significant differences between ANN and collecting values. So, it is recommended that ANN were applied to determine nitrate concentration in groundwater.