پیش‌بینی غلظت کلراید آب زیرزمینی با استفاده از روش ماشین مرکب هوش مصنوعی نظارت شده (saicm) (مطالعه موردی: دشت ساری)

ارزیابی کیفی آب‌های ساحلی که تحت تاثیر شوری آب دریا قرار می‌گیرند را می‌توان با استفاده از پارامتر کلراید موجود در آب زیرزمینی انجام داد. این تحقیق یک روش ماشین مرکب هوش مصنوعی نظارت شده (saicm) را جهت پیش‌بینی دقیق غلظت کلراید آب زیرزمینی دشت ساری پیشنهاد می‌دهد. saicm با ترکیب غیرخطی مدل‌های هوش مصنوعی، غلظت کلراید را به عنوان خروجی مدل پیش‌بینی می‌کند. در این تحقیق از روش آنالیز مولفه‌های اصلی (pca)، جهت شناسایی پارامترهای هیدروشیمیایی موثر مرتبط با غلظت کلراید به عنوان مولفه‌های ورودی به مدل‌های هوش مصنوعی استفاده شده است. بر اساس نتایج حاصل از pca، پارامترهای (na, k, ec, tds, sar)، به عنوان مولفه‌های ورودی مدل‌های هوش مصنوعی انتخاب گردید. در ابتدا چهار مدل هوش مصنوعی، منطق فازی سوگنو، منطق فازی ممدانی، منطق فازی لارسن و شبکه عصبی مصنوعی جهت پیش‌بینی غلظت کلراید طراحی گردید. بر اساس نتایج حاصل از مدل‌سازی، تمامی مدل‌ها برازش مناسبی با داده‌های کلراید در دشت ساری نشان داده‌اند. سپس مدل ترکیبی saicm ساخته شد که نتایج حاصل از پیش‌بینی 4 مدل ai جداگانه را با استفاده از ترکیب کننده غیرخطی ann ، ترکیب نموده و غلظت کلراید را با دقت بیشتری تعیین می‌کند. نتایج نشان می‌دهد مدل ماشین مرکب پیشنهاد شده saicm می‌تواند غلظت کلراید را با دقت بسیار بالاتری نسبت به روش‌های جداگانه، تخمین بزند. 

prediction of chloride in groundwater using supervised artificial intelligence committee machine (saicm) (case study: sari plain)

qualitative assessment of coastal waters affected by seawater salinity can be done using the parameter of chloride in groundwater. this research proposes a supervised artificial intelligence committee machine (saicm) method for accurate prediction of chloride concentration in groundwater of sari plain. saicm predicts chloride concentration as the output of the model by non-linear combination of artificial intelligence models. in this research, principal component analysis (pca) method was used to identify effective hydrochemical parameters related to chloride concentration as input components to artificial intelligence models. based on the results of pca, parameters (na, k, ec, tds, sar) were selected as input components of artificial intelligence models. firstly, four artificial intelligence models, sogno fuzzy logic, mamdani fuzzy logic, larsen fuzzy logic and artificial neural network were designed to predict chloride concentration. based on the modelling results, all the models showed a good fit with the chloride data in sari plain. then, the combined saicm model was built, which combines the prediction results of 4 separate ai models using the nonlinear ann combiner and determines the chloride concentration more accurately. the results show that the proposed saicm can estimate chloride concentration with much higher accuracy than individual methods.