مدل سازی تغییرات کیفی آب زیرزمینی با استفاده از مدل شبکه عصبی مصنوعی بهینه شده(مطالعه موردی: دشت زیدون)

زمینه و هدف: برآورد و پیش بینی پارامترهای کیفی آب زیرزمینى به منظور تصمیم گیری های مدیریتی، یکی از اهداف مدیران و برنامه ریزان منابع آب تلقی می گردد. در این راستا تعداد زیادى مدل در زمینهمدیریت بهتر براى حفظ کیفیت آب گسترش یافته است. بیشتر این مدل ها نیازمند پارامترهاى ورودى هستند که یا دسترسى به آنها مشکل است و یا اینکه اندازه گیرى آنها محتاج صرف هزینه و زمان زیادى مى باشد. در این میان مدل هاى شبکه عصبى مصنوعى که با الهام از ساختار مغز بشر عمل می نمایند، به عنوان گزینه اى برتر معرفى مى شوند. مطالعه حاضر با هدف مدل سازى تغییرات کیفى آب زیرزمینى با استفاده از مدل شبکه عصبى مصنوعى بهینه شده، انجام شد. مواد و روش ها:پژوهش حاضر به منظور شبیه‌سازی پارامترهای کیفی آب زیرزمینی دشت زیدون شامل sar ، ec و tds با استفاده از مدل‌های ann و ann-ga و درنهایت مقایسه نتایج آن‌ها با داده‌های اندازه‌گیری شده‌، انجام گرفته است. این دشت با مساحتی حدود 1034 کیلومتر مربع در جنوب غربی شهرستان بهبهان واقع شده و دارای اقلیم خشک و بیابانی است. پارامترهای ورودی مدل‌ها برای پارامتر کیفی tds شامل سدیم، هدایت الکتریکی، کلسیم، منیزیم، سولفات و نسبت جذب سدیم و برای پارامتر کیفی sar شامل سدیم، کل نمک‌های محلول، بی‌کربنات، کلسیم و منیزیم و برای پارامتر کیفی ec شامل کلسیم، منیزیم، سولفات، سدیم و نسبت جذب سدیم از سال 1390 تا 1397 جمع‌آوری گردید.یافته ها: نتایج نشان داد، در مدل ann و ann-ga بیشترین دقت شبیه‌سازی sar در مدل با تابع تانژانت سیگموئید، در مدل شبیه‌ساز ec هم بیشترین دقت در مدل‌های ann و ann-ga به‌ترتیب مربوط به توابع محرک لگاریتم سیگموئید و تانژانت سیگموئید می‌باشد. همچنین در مدل ann و ann-ga بیشترین دقت شبیه‌سازی tds به‌ترتیب در مدل با توابع محرک تانژانت سیگموئید و لگاریتم سیگموئید به‌دست آمد. به‌طوری‌که مقدار rmse و mae کمترین مقدار و شاخص r2 بیشترین مقدار را دارد. به‌طور کلی با توجه به نتایج بدست آمده، دقت مدل ann-ga هم بالاتر از مدل ann، برای شبیه‌سازی پارامترهای کیفی آب زیرزمینی دشت زیدون برآورد شده است.نتیجه گیری: استفاده از مدل شبکه عصبی مصنوعی به‌همراه الگوریتم ژنتیک ابزار مناسبی برای شبیه‌سازی پارامترهای کیفی آب زیرزمینی در حجم بالا، بدون احتیاج به اندازه‌گیری و کارهای آزمایشگاهی است که نیاز به زمان و هزینه بالا دارند.

Modeling of Groundwater Quality Changes Using Optimized Artificial Neural Network Model (Case Study: Zeidoun plain)

The present study stimulated the groundwater quality parameters of Zeidoun plain including Sodium Adsorption Ratio (SAR), Electrical Conductivity (EC), Total Dissolved Solids (TDS), using ANN and ANN-GA models and in the end compare their results with measured data. The input data for TDS quality parameter consist of Na, EC, Ca, Mg, SO4 and SAR, for SAR including the Na, TDS, Hco3, Ca and Mg and quality parameter of EC contains Ca, Mg, SO4, Na and SAR, gathered from 2011 to 2018.The results showed that in ANN and ANN-GA models, the highest accuracy of SAR simulation in the model with sigmoid tangent function, in EC simulator model, the highest accuracy in ANN and ANN-GA models, respectively, related to logarithm stimulus functions. Sigmoid and tangent is sigmoid. Also in ANN and ANN-GA models, the highest accuracy of TDS simulation was obtained in the model with sigmoid tangent stimulus and sigmoid logarithm, respectively. so that the MAE and RMSE statistics have the minimum and R^2 has the maximum value for the model. In general, according to the obtained results, the accuracy of ANN-GA model is higher than ANN model, to simulate the groundwater quality parameters of Zeidoun plain. Therefore, the use of artificial neural network model along with genetic algorithm is a good tool to simulate high quality groundwater quality parameters, without the need for measurement and laboratory work, which requires high time and costly.