مدل سازی آب زیرزمینی با استفاده از روش های هوش مصنوعی (مطالعه موردی: دشت دزفول اندیمشک)

زمینه و هدف: آب زیرزمینی یک منبع مهم آب در جهان به‌شمار می‌رود و مطالعه سطح آب زیرزمینی و شوری آب ریرزمینی برای حفاظت و برنامه‌ریزی در خصوص منابع آب، به‌خصوص در مناطق خشک و نیمه‌خشک مانند ایران اهمیت به‌سزایی دارد. انجام آزمایش‌های کمی و کیفی، زمان‌بر و پرهزینه است. بنابراین، استفاده از مدل‌ها برای شبیه‌سازی کمیت وکیفیت آب زیرزمینی متداول شده است. در دهه‌های اخیر به سبب پیچیدگی و خصوصیات غیر خطی سیستم های آب زیرزمینی، مد‌ل‌های هوش مصنوعی برای شبیه‌سازی آبخوان‌ها مورد آزمایش قرار گرفته‌اند.مواد و روش‌ها: پژوهش حاضر به منظور شبیه‌سازی پارامترهای سطح آب زیرزمینی و شوری آب زیرزمینی دشت دزفول اندیمشک با استفاده از مدل‌های ann و ann+ga و درنهایت مقایسه نتایج آن‌ها با داده‌های اندازه‌گیری شده‌، انجام گرفته است. اطلاعات جمع‌آوری شده برای ورودی به دو مدل‌ شامل داده‌های هواشناسی و پارامترهای کیفی آب زیرزمینی طی سال‌های 1390 تا 1397 به‌صورت ماهانه از 76 چاه می‌باشد.یافته‌ها: نتایج نشان داد، مدل بهینه برای شبیه‌سازی سطح آب زیرزمینی ann+ga با تابع محرک تانژانت سیگموئید و مدل بهینه برای شبیه‌سازی شوری آب زیرزمینی ann+ga با تابع محرک لگاریتم سیگموئید می‌باشد. به‌طوریکه مقدار آماره‌های rmse و mae کمترین مقدار و بیشترین مقدار را برای مدل‌های مذکور دارد (در مرحله آزمون، برای پارامتر سطح آب زیرزمینی مقدار 7.47rmse=، 9.5 mae=و 0.979= r2 و برای پارامتر شوری آب زیرزمینی مقدار 6.8rmse=، 7.47 mae= و 0.99= r2محاسبه گردید).نتیجه‌گیری: بنابراین بهینه‌سازی مدل شبکه عصبی مصنوعی با استفاده از الگوریتم ژنتیک بسیار مفید، موثر و همچنین باعث کاهش خطا و صرفه‌جویی در زمان و هزینه می‌گردد.

groundwater modeling using artificial intelligence methods (case study: dezful andimeshk plain)

background and aim: groundwater is one of the most important water resources on earth, and groundwater level and groundwater salinity studies are very important to protect and plan the water resources, especially in the arid and semiarid areas, such as iran. groundwater quantitative and qualitative testing is time consuming and costly. therefore, using the models to simulate the quantity and quality of groundwater has become common.materials and methods: in recent decades, the artificial intelligence models were tested for the simulation of aquifers in terms of the complex and nonlinear properties of groundwater systems. the present study stimulated the groundwater level and groundwater salinity parameters of dezful andimeshk plain using ann and ann + ga models, and finally compared their results with measured data. the data collected for input to two models include meteorological data and groundwater quality parameters gathered from 2011 to 2018.results: the results showed that the optimal model is to simulate ann + ga (artificial neural network + genetic algorithm) groundwater level with sigmoid tangent stimulus function, and the optimal model is to simulate ann + ga groundwater salinity with sigmoid logarithm stimulus function. mae and rmse statistics have the minimum and  has maximum value for the model (in test phase, for the groundwater level rmse=7.47, mae=9.5 and r2=0.979 and for the groundwater salinity rmse=6.81, mae=7.74, and r2=0.99).conclusion: therefore, optimizing the artificial neural network model using a genetic algorithm is very useful, effective and reduces errors and saves time and money.