شبیه سازی روند نوسانات سطح ایستابی با استفاده از مدل عددی modflow و مدل شبکه عصبی مصنوعی

به منظور مدیریت بهینه منابع آب زیرزمینی، برآورد قابل قبول ورودی ها و خروجی ها در هر حوضه آب زیرزمینی ضروری است. در این پژوهش به مقایسه عملکرد مدل هوشمند شبکه عصبی مصنوعی و مدل عددی modflow برای پیش بینی نوسانات تراز سطح ایستابی پرداخته خواهد شد. وضعیت آب زیرزمینی در دشت قزوین به دلیل برداشت های بی رویه رو به بحرانی شدن است. هدف از این مطالعه، بررسی نوسانات سطح ایستابی آبخوان مورد مطالعه پس از شبیه سازی آن با مدل modflow و مقایسه نتایج آن با مدل شبکه عصبی مصنوعی است تا بدین طریق بتوان مدل برتر را در شبیه سازی رفتار واقعی نوسانات تراز سطح ایستابی در یک دوره آماری دراز مدت، تعیین نمود. در مدل عددی پس از واسنجی هدایت هیدرولیکی و آبدهی ویژه در دو حالت ماندگار و غیرماندگار، صحت سنجی مدل برای مدت زمان یکسال انجام گرفت و با توجه به دقت مناسب نتایج، پیش بینی مدل برای یک دوره ی یکساله انجام گرفت. همچنین با تعریف 5 دسته پارامترهای ورودی مختلف به شبکه عصبی مصنوعی، متغیرهای بارش، دما، سطح آب زیرزمینی در یک گام قبل، تغذیه و تخلیه آبخوان به عنوان پارامترهای پیش بینی کننده انتخاب و با استفاده از شبکه انتشار برگشتی متقابل شبیه سازی و پیش بینی آب زیرزمینی انجام گرفت. نتایج شبیه سازی سطح آب زیرزمینی با استفاه از شبکه عصبی مصنوعی حاکی از بالا بودن میزان ضریب تبیین در مرحله آموزش و تست بود. تحلیل سطح آب زیرزمینی با استفاده از مدل modflow نیز پس از صحت سنجی مدل برای مدت یکسال انجام گرفت. نتایج استخراجی برای چاه های مشاهده ای مختلف در سطح ابخوان قزوین حاکی از دقت مناسب پیش بینی سطح آب زیرزمینی بود. به منظور مقایسه نتایج دو روش شبکه عصبی مصنوعی و مدل عددی modflow از هیدروگراف واحد آبخوان استفاده گردید. تحلیل سری زمانی هیدروگراف آبخوان نشان داد که میزان همبستگی بین داده های مشاهداتی و شبکه عصبی مصنوعی 62/0 و مقدار همبستگی 86/0 با روش modflow است. بطورکلی نتایج این تحقیق نشان داد که مدل عددی modflow با توجه به درنظرگیری خصوصیات هیدروژئولوژیک آبخوان نتایج مناسب تری را جهت پیش بینی سطح آب زیرزمینی نسبت به روش شبکه عصبی مصنوعی ارائه می دهد.

simulation of fluctuation process of stationary state through numerical model of mod flow and artificial neural network model

in order to optimally manage groundwater resources, an acceptable estimate of inputs and outputs in each groundwater basin is necessary. in this research, the performance of the intelligent neural network and (modflow) numerical model are compared to predict water table fluctuations. the groundwater status in qazvin plain is in critical condition due to irregular harvests. the purpose of this study was to investigate the water level fluctuations in aquifer after simulating it with the modflow model and compare its results with the artificial neural networks (ann), in this way, the best model can be determined to simulate the actual behavior of water level fluctuations over a long statistical period. in the numerical model after calibration of hydraulic conductivity and specific discharge in both steady and non-steady states, the model was validated for one year. also by defining five categories of input parameters to ann, as rainfall, temperature, the groundwater level variables and in before step, the aquifer feeding and discharge are selected as predictive parameters by using simulated cross-flow propagation network which leads to estimate the groundwater level. the groundwater simulation results using artificial neural networks showed a high coefficient of determination in training and testing phase. the groundwater level analysis was performed using modflow model after validation for one year. the results of different observation wells in the qazvin plain aquifer showed good accuracy in predicting the groundwater level. the aquifer unit hydrograph was used to compare the results of ann and modflow numerical model. the analysis of the aquifer hydrograph time series showed that the correlation between observed data and ann was 0.62 and the correlation value was 0.86 with modflow method. in general, the results of this study determined that the modflow numerical model considering the hydrogeological characteristics of the aquifer provides better results for the estimation of groundwater level than the artificial neural network method.