شبیه‌سازی تراز، کلر و بی‌کربنات آب زیرزمینی توسط ماشین آموزش ترکیبی

در این مطالعه، دو مدل فرا ابتکاری هوش مصنوعی برای شبیه سازی داده های سری زمانی پارامترهای کمی (نوسانات تراز آب زیرزمینی) و کیفی (کلر و بی کربنات) آب زیرزمینی درون یک چاه مشاهداتی واقع در شهر کرمانشاه، ایران، از سال 2005 تا 2018 به صورت ماهانه ارائه شد. برای تعریف مدل هیبریدی هوش مصنوعی، ماشین آموزش نیرومند  (elm)، الگوریتم تکامل تفاضلی (de) و تبدیل موجک با هم ترکیب شدند و مدل های ماشین آموزش نیرومند خود تطبیقی (saelm) و موجکماشین آموزش نیرومند خود تطبیقی  (wsaelm)ارائه شدند. لازم به ذکر است که برای شناسایی تاخیرهای موثر داده های سری زمانی از تابع خود همبستگی استفاده گردید. علاوه بر این، 70 درصد داده های مشاهداتی برای آموزش مدل های هوش مصنوعی و 30 درصد باقیمانده برای تست آنها استفاده شدند. سپس، با استفاده از این تاخیرهای موثر، مدل های مختلفی برای الگوریتم های هیبریدی saelm و wsaelm تعریف شدند. سپس با اجرای یک تحلیل حساسیت، مدل های برتر برای مدل سازی تراز آب زیرزمینی، کلر و بی کربنات معرفی شدند. به عنوان مثال، برای مدل برتر wsaelm جهت شبیه سازی نوسانات آب زیرزمینی، مقادیر ضریب همبستگی (r)، شاخص عملکرد (vaf) و ضریب نش  (nsc) به ترتیب مساوی با 0.988، 97.450 و 0.973 به دست آمدند. لازم به ذکر است که برای پیش بینی hco3 نیز تاخیرهای (t1)، (t2)، (t3) و (t4) به عنوان موثرترین تاخیرهای داده های سری زمانی شناسایی شدند. با اجرای یک تحلیل عدم قطعیت نشان داده شد که مدل برتر مقادیر cl و hco3 کمتر از واقعی شبیه سازی کرد اما مدل برتر مقادیر تراز آب زیرزمینی را با عملکردی بیشتر از مقدار واقعی پیش بینی نمود.

Simulation of Water Level Fluctuations, Chlorine, Bicarbonate in groundwater using a Hybrid Learning Machine

Modeling qualitative and quantitative parameters of groundwater as one of the main water supply resources is crucially important. Due to recent climate changes in Iran, precipitation patterns have been dramatically altered leading to excess withdrawal. In this paper, two metaheuristic artificial intelligence models are presented to simulate monthly timeseries data of quantitative (groundwater level) and qualitative (chlorine and bicarbonate) parameters of groundwater within an observational well situated in the city of Kermanshah, Iran from 2005 to 2018. To define the hybrid artificial intelligence model, the extreme learning machine (ELM), differential evolutionary (DE) algorithms are combined with the wavelet transform and the Selfadaptive extreme learning machine (SAELM) and wavelet selfadaptive extreme learning machine (WSAELM) models are developed. It is worth mentioning that the autocorrelation function is utilized for detecting effective lags of the timeseries data. Moreover, 70% of the observed data are used for training the artificial intelligence models and the remaining 30% for testing them. Then, using these influencing lags, different models are defined for the SAELM and WSAELM models. Also, different mother wavelets are assessed to choose the most optimal one for decomposing signals of the timeseries data. After that, superior models for simulating GWL, Cl and HCO3 are introduced by performing a sensitivity analysis. For instance, the values of the correlation coefficient (R), the variance accounted for (VAF) and NashSutcliff efficiency Coefficient (NSC) for the superior WSAELM model are obtained to be 0.988, 97.450 and 0.973, respectively. It should be noted that for forecasting HCO3 the lags (t1), (t2), (t3) and (t4) are identified as the most influencing lags of the timeseries data. The utilization of an uncertainty analysis exhibited that the superior model has an underestimated performance in simulating Cl and HCO3. Finally, three formulae are presented for computing GWL, Cl and HCO3.