مدل‌سازی کیفی منابع آب زیرزمینی با استفاده از شبکه عصبی مصنوعی و الگوریتم بهینه‌سازی گرگ خاکستری: مورد مطالعه دشت کبودرآهنگ، همدان، ایران

زمینه و هدف: : امروزه با توجه به تغییرات اقلیمی و کاهش نزولات جوی در سطح کشور و به‌خصوص استان همدان، نرخ دسترسی به منابع آب‌ سطحی کاهش یافته و لذا، میزان برداشت از منابع آب زیرزمینی به‌شدت افزایش یافته است که این موضوع موجب تغییر در کیفیت این منابع برای مصارف گوناگون شده است. در نتیجه، لزوم پایش کیفی منابع آب زیرزمینی نیز اهمیت دوچندانی یافته است. از این‌رو، در این پژوهش با استفاده از مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم فراابتکاری گرگ خاکستری نسبت به مدل‌سازی کیفی منابع آب‌ زیرزمینی دشت کبودرآهنگ واقع در شمال غربی استان همدان در سال 1401 اقدام شد.مواد و روش ها: در این پژوهش، داده‌های کیفی منابع آب زیرزمینی مربوط به چاه‌های دشت کبودرآهنگ به سه بخش آموزش (%70)، اعتبارسنجی (%15) و آزمون (%15) تقسیم و با استفاده از مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم فراابتکاری گرگ خاکستری مدل‌سازی کیفی منابع آب‌ زیرزمینی دشت کبودرآهنگ انجام شد.یافته ها: نتایج نشان داد که مدل ارائه شده قابلیت بالایی در پیش‌بینی کیفیت آب زیرزمینی بر اساس سه متغیر ph، ec و tds داشته است. مقدار 0/9975 = r نشان‌دهنده پیشگویی بالای متغیرها بود. نتایج حاصل از پیاده‌سازی شبکه عصبی مصنوعی بیان‌گر صحت بالا و همچنین قابلیت بالای پیش‌بینی و خطای اندک مدل بود که این خطا با کمک الگوریتم گرگ خاکستری کاهش یافت. بنابراین، می‌توان اذعان داشت علی‌رغم این‌که الگوریتم شبکه عصبی مصنوعی تا حد بالایی قادر به پیش‌بینی کیفیت آب زیرزمینی در منطقه مورد مطالعه بود، الگوریتم گرگ خاکستری با کاهش خطای پیش‌بینی، این عملکرد را تکمیل و مقدار بهینگی مدل را افزایش داد.نتیجه گیری: الگوریتم‌های شبکه عصبی مصنوعی و بهینه‌سازی گرگ خاکستری مکمل هم بوده و عملکرد خوبی برای پیش‌بینی تغییرات کیفی منابع آب‌ زیرزمینی از خود نشان می‌دهند.

qualitative modeling of groundwater resources using artificial neural network and gray wolf optimizer algorithm (case study: kabudarahang plain, hamedan province, iran)

background: climate change and declining rainfall have significantly reduced access to surface water in iran, particularly in hamedan province. this has led to increased reliance on groundwater resources, consequently altering their quality for various uses. therefore, this study was conducted to develope a qualitative model for assess of groundwater resources in kabudarahang plain, hamedan province, using an artificial neural network (ann) and the gray wolf optimizer (gwo) algorithm.methods: qualitative data of groundwater resources in kabudarahang plain were collected and analyzed over a decade (2012-2022). ann modeling was employed to predict groundwater quality changes. additionally, the gwo algorithm was integrated to enhance prediction accuracy. the model utilized three output or dependent variables (tds, ec, and ph) and six input or independent variables (calcium, magnesium, chloride, sulfate, sodium, and turbidity).results: : the ann model demonstrated that over 99% of water quality variations can be attributed to the six input variables. moreover, the gwo algorithm effectively reduced average prediction errors from 0.0015 to 0.0008. conclusion: the ann algorithm exhibited high prediction accuracy, low prediction error, and model optimality, which were further enhanced by the gwo algorithm. this suggests that while the ann model successfully predicted groundwater quality changes in the study area, the gwo algorithm refined the predictions, and improving the model’s overall performance. considering the complementary nature and effectiveness of ann and gwo algorithms for prediction, their application to predict qualitative changes in groundwater resources in other regions is recommended.