تخمین هدایت هیدرولیکی با استفاده از مدلهای هوشمند با بکارگیری داده‌های ژئوفیزیکی

در سالهای اخیر رشد جمعیت، توسعه یافتگی جوامع شهری و در نتیجه افزایش تقاضا برای مصارف مختلف آب مانند مصارف خانگی و کشاورزی، منابع آب زیرزمینی را بشدت مورد تهدید قرار داده است. این مسئله در کشور ما ایران به دلیل داشتن آب و هوای نیمه خشک از حساسیت بالایی برخوردار است. بنابراین شناخت شرایط هیدروژئولوژیکی حاکم بر آبخوان‌ها، شناخت جریان آب زیرزمینی و تخمین پارامترهای موثر بر جریان آب زیرزمینی مانند هدایت هیدرولیکی از اهمیت ویژه‌ای برخوردار بوده و در مدیریت، حفاظت، بازیابی و بهره برداری از آبهای زیرزمینی باید مورد توجه ویژه قرار بگیرد. در این مطالعه به منظور تخمین هدایت هیدرولیکی در آبخوان دشتمراغهبناب ازروش‌هایهوش مصنوعی(شبکه عصبی مصنوعی(ann)، سیستم استنتاج فازیعصبی تطبیقی(anfis) و ماشین بردار پشتیبان(svm)) استفاده شد و نتایج مدل ها با همدیگر مقایسه شدند. برای این منظور، نتایج حاصل از مطالعات ژئوفیزیک(ژئوالکتریک) در دشت مراغه بناب به عنوان ورودی مدل‌ها مورد تجزیه و تحلیل قرار گرفت. براساس نتایج بدست آمده ماشین بردار پشتیبان با داشتن مقدار rmse=1.08 و r^2=0.97مرحله آزمایش کارآیی بهتری را نسبت به مدل‌های دیگر نشان داد.

Estimation hydraulic conductivity via intelligent models using geophysical data

In recent years, population growth, urban community development, and consequently increased demand for various water uses such as household and agricultural uses have severely threatened groundwater resources. This issue is highly sensitive in our country due to the arid climate. Therefore, understanding the hydro geological conditions of the aquifers, understanding the groundwater flow and estimating the parameters affecting the ground water flow, such as hydraulic conductivity, is of particular importance in the management, protection, recovery, and exploitation of groundwater. In this study, the hydraulic conductivity was estimated by using artificial intelligence models (artificial neural networks (ANNs), adaptive neurofuzzy inference system(ANFIS), and support vector machine(SVM)). For this purpose, the results of geophysical (geoelectric) studies in MaraghehBonab plain were analyzed as inputs of the models. Based on the results, the support vector machine showed better performance than the other models with RMSE =1.08 and R ^ 2 = 0.97 in the test phase.