شبیه‌سازی پارامترهای شوری و سطح آب زیرزمینی دشت رامهرمز با استفاده از مدل شبکه عصبی مصنوعی و مدل شبکه عصبی مصنوعی بهینه شده

زمینه و هدف: مدل سازی آب های زیرزمینی به دلیل کارایی بالا و هزینه های کم تر نسبت به روش های دیگر، به عنوان ابزار مدیریتی منابع آب مورد توجه قرار گرفته است. در این راستا تعداد زیادی مدل در زمینه مدیریت بهتر برای حفظ منابع آب گسترش یافته است. بیشتر این مدل‌ها نیازمند پارامترهای ورودی هستند که یا دسترسی به آن ها مشکل است و یا اینکه اندازه‌گیری آن ها 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. مطالعه حاضر با هدف شبیه سازی پارامترهای شوری و سطح آب زیرزمینی دشت رامهرمز انجام شد.مواد و روش ها: پژوهش حاضر به منظور شبیه‌سازی پارامترهای سطح آب زیرزمینی و شوری آب زیرزمینی دشت رامهرمز با استفاده از مدل‌ شبکه عصبی مصنوعی و مدل شبکه عصبی مصنوعی بهینه شده و در نهایت مقایسه نتایج آن‌ها با داده‌های اندازه‌گیری شده، انجام گرفت. اطلاعات جمع آوری شده برای ورودی به دو مدل هاشامل بارندگی، حداقل دما، حداکثر دما، میانگین دما، حداقل رطوبت نسبی، حداکثر رطوبت نسبی، میانگین رطوبت نسبی، سرعت باد در ارتفاع 2 متری و مجموع ساعات آفتابی طی سال های 1390 تا 1396 بود.یافته ها: بر اساس نتایج، بالاترین دقت پیش‌بینی پارامترهای سطح آب زیرزمینی و شوری آب زیرزمینی مربوط به مدل ann+pso با تابع محرک تانژانت سیگموئیدی بود؛ به‌طوری که مقدار آماره‌های جذر میانگین مربعات خطا و میانگین خطا مطلق کمترین مقدار و ضریب تعیین بیشترین مقدار را برای مدل مذکور داشت.نتیجه گیری: با توجه به کارایی بالای مدل شبکه عصبی مصنوعی با آموزش الگوریتم بهینه‌‌سازی تجمع ذرات، می‌توان از این مدل جهت اتخاذ تصمیمات مدیریتی و حصول اطمینان از نتایج پایش و کاهش هزینه استفاده کرد.

Simulation of groundwater level and groundwater salinity parameters of Ramhormoz plain using artificial neural network model and optimized artificial neural network model

Abstract   Background and Aim: Because of their high effectiveness and fewer expenses than other methods, groundwater models have been developed and used by hydrogeologists as water resource management tools. In this regard, many models have been developed, which propose better management to protect water resources. Most of these models require input parameters that are hardly available or their measurements are timeconsuming and expensive. Among them, Artificial Neural Network (ANN) models inspired by the human brain are a better choice. Materials and Methods: The present study simulated the groundwater level and salinity in Ramhormoz plain using ANN and ANN+PSO models and compared their results with the measured data. The data collected as inputs of the two models included minimum temperature, maximum temperature, average temperature, wind speed at 2 m altitude, minimum relative humidity, maximum relative humidity, average relative humidity, and sunshine hours gathered from 2011 to 2017. Results: The results indicated that the highest prediction accuracy of groundwater level and salinity was achieved by the ANNPSO model with the logarithm sigmoid activation function. Thus, the MAE and RMSE statistics had the minimum and R^2 had the maximum value for the model. Conclusion: Considering the high efficiency of artificial neural network models with Particle Swarm Optimization algorithm training, it can be used to make managerial decisions, ensure the results of monitoring, and reduce costs. Keywords: Groundwater Level; Simulation; Groundwater Salinity; Artificial Neural Networks Model