شبیه‌سازی هدایت الکتریکی دشت بهبهان با استفاده از مدل‌های ann و ann-pso

برآورد و پیش بینی پارامترهای کیفی آب زیرزمینی به‎ منظور تصمیم‎گیری‌های مدیریتی یکی از اهداف مدیران و برنامه ریزان منابع آب تلقی می‌شود. 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 زیاد است. در این میان مدل‌های شبکه عصبی مصنوعی که با الهام از ساختار مغز بشر عمل می‌نمایند، به‎عنوان گزینه‌ای برتر  معرفی می‌شوند. پژوهش حاضر به‎منظور شبیه‌سازی پارامتر کیفی هدایت الکتریکی آب زیرزمینی دشت بهبهان با استفاده از مدل‌های ann و ann-pso و درنهایت مقایسه نتایج آن‌ها با داده‌های اندازه‌گیری شده‌، انجام شده است. پارامترهای هدایت الکتریکی، کلسیم، منیزیم، سولفات، بی‌کربنات، کلر، پتاسیم، سختی و اسیدیته در بازه سال‌های 1388 تا 1395 در دشت بهبهان جمع‌آوری شد و به‎عنوان ورودی مدل مورد استفاده قرار گرفت. نتایج نشان داد بالاترین دقت پیش‌بینی پارامتر کیفی ec مربوط به مدل ann-pso است، به‌طوری‎که مقدار آماره‌های  و  کمترین مقدار و  بیشترین مقدار را برای مدل مذکور دارد. با توجه به کارایی بالای مدل شبکه عصبی مصنوعی با آموزش الگوریتم بهینه‌‌سازی تجمع ذرات می‌توان از این مدل برای اتخاذ تصمیمات مدیریتی و حصول اطمینان از نتایج پایش و کاهش هزینه استفاده کرد.

Simulation of Electrical Conductivity of Behbahan Plain Using ANN and ANNPSO Models

One of the main aims of water resource planning and management is to estimate and predict groundwater quality parameters which would be used in decisionmaking. 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. The present studied stimulated the electrical conductivity of water quality parameters of Behbahan Plain, using ANN and ANN+PSO models and in the end compared their results with measured data. Data for NO3, EC, Ca2+, Mg2+, SO42, HCO3, CL, K+, TH and pH were collected during 20092016 as input data. The results indicated that the highest prediction accuracy of quality parameters was related to the ANN + PSO model so that the MAE and RMSE statistics had the minimum and  had the maximum value for the model. Considering the high efficiency of artificial neural network model, by training the Particle Swarm Optimization algorithm, it can be used in order to make managerial decisions and ensure the results of monitoring and reducing costs.