مدل‌سازی تغییرات سطح آب زیرزمینی بر اساس روش های مبتنی بر هوش مصنوعی (مطالعه موردی: دشت زاوه تربت‌حیدریه)

منابع آب زیرزمینی یکی از مهمترین منابع آبی هر کشور می‌باشد که شناخت صحیح و بهره برداری اصولی از آن می‌تواند در توسعه پایدار فعالیت های اجتماعی و اقتصادی یک منطقه بویژه در مناطق خشک و نیمه‌خشک نقش بسزایی داشته باشد. پیش‌بینی نوسان های سطح آب زیرزمینی برای مدیریت آب، امر ضروری می‌باشد. منطقه مورد مطالعه با گستره‌ای حدود 2504 کیلومترمربع در شمال کویر نمک، در جنوب شهر مشهد واقع است. هدف از این پژوهش، مدل سازی تغییرات سطح آب زیرزمینی دشت زاوه تربت‌حیدریه با استفاده از شبکه‌های عصبی پرسپترون چندلایه با الگوریتم پس انتشار خطا و شبکه عصبی lvq می باشد. به همین ‌منظور جهت آموزش مدل، از اطلاعات 18 پیزومتر که دارای آمار 20 ساله (1395-1375) بودند، مستخرج و توسط محقیقن این پژوهش از سازمان آب منطقه ای استان خراسان رضوی جمع آوری شدند و پس از پیش پردازش، در این مطالعه مورد استفاده قرار گرفت. هریک از پیزومترها با تاخیر زمانیt01 (ماه قبل) به صورت ماهانه ثبت شده و در هر پیزومتر، هفت پارامتر، ورودی های سیستم را تشکیلمی دهند. جهت ارزیابی خطای سیستم از روش حداقل مربعات خطا (rmse) محاسبه‌شده است. مقدار تراز آب زیرزمینی نیز تنها خروجی این شبکه عصبی را شامل می‌شود. براین اساس نتایج این تحقیق نشان داد که شبکه عصبی مصنوعی با الگوریتم های آموزشی آموزشی gradient descent, gradient descent with momentum, levenberg marquardt قادر به پیش‌بینی سطح آب زیرزمینی به صورت ماهانه بادقت (rmse=0/0012 (r2=0/9810, در مرحله آموزش و با دقت (rmse=0/021 r2 = 0/9622,) در مرحله آزمون در محدوده مورد مطالعه است.

Modeling of Groundwater Fluctuations Based on Artificial Intelligence Methods (Case study: Zawah-Torbat Heidarieh plain)

Groundwater resources are one of the most important water sources in each country. That proper knowledge and basic exploitation in this field can play a principal role in the sustainable development of the social and economic activities of a region, especially in semiarid and dry areas. The prediction of groundwater level fluctuations for supplying management and exploit Akon of watering is essential the purpose of this research is to predict ZawahTorbat Heidarieh groundwater level32 fluctuations with a range of about 2054 square kilometers is located in the north of the desert pans on desert flats in, south of Mashhad. In order to training of the model, information from 18 piezometers extracted by the researchers of this study, which had a staggered surface alignment level with a time series of 20 years (13751395), was used. Each piezometer is registered on a monthly basis with a delay of t01 (last month), and in each piezometer, seven parameters form the system inputs. For process modeling, multilayer perceptron neural networks with error propagation algorithm and LVQ network are used. The calculation error is calculated using the least squares method (MSE). The amount of groundwater level is also the only output of this neural network. The results of this study showed that the artificial neural network with the Gradient Descent, Gradient Descent With Momentum, Levenberg Marquardt algorithms was able to predict groundwater levels in the monthly interval is (RMSE=0/0012) in the training phase and is (RMSE=0/021) in the testing phase in the study area.