ارزیابی کارایی مدل مبتنی بر ترکیب برنامه‌ریزی ژنتیک و الگوریتم ژنتیک (gep) و شبکه عصبی یادگیری فوق‌سریع وزن‌دار (w-elm) برای شبیه‌سازی نوسانات سطح آب زیرزمینی

این تحقیق به شبیه‌سازی تغییرات سطح آب زیرزمینی در دشت کرمانشاه با بهره‌گیری از دو الگوریتم پیشرفته یادگیری ماشین شامل w-elm و gep پرداخته است. نوسانات سطح آب زیرزمینی، به‌عنوان یک چالش کلیدی در مدیریت منابع آب، تحت‌تاثیر عواملی چون بارش، دما و میزان برداشت آب قرار دارد. هدف از این مطالعه، ارزیابی و مقایسه عملکرد مدل‌های مختلف یادگیری ماشین در شبیه‌سازی و پیش‌بینی این نوسانات در شرایط متغیر است. داده‌های به‌کاررفته در این تحقیق شامل اطلاعات ماهانه سطح آب زیرزمینی، میزان بارش، تبخیر و دما از سال 2002 تا 2020 می‌باشد. جهت افزایش دقت مدل‌ها، داده‌ها با استفاده از روش نرمال‌سازی min-max پردازش شدند. نتایج ارزیابی مدل‌ها با استفاده از شاخص‌های مختلف عملکرد مانند rmse ،r² و nse نشان می‌دهد که مدل w-elm به‌طور موثری عملکرد بهتری در هر دو مرحله آموزش و تست نسبت به مدل gep داشته است. به‌ویژه، در مرحله آزمون، مدل w-elm توانست با کسب مقادیر r²=0.9989 و rmse=0.0934، بالاترین دقت را ارائه دهد. همچنین، تحلیل حساسیت مدل‌ها نشان داد که بیشترین تاثیر را متغیر تاخیری سطح آب زیرزمینی (gwₜ₋₁) بر عملکرد مدل‌ها داشته است. این تحقیق نشان می‌دهد که مدل‌های یادگیری ماشین، به‌ویژه مدل w-elm، می‌توانند ابزارهای موثری برای پیش‌بینی نوسانات سطح آب زیرزمینی و مدیریت بهینه منابع آب در نواحی مختلف به شمار روند.

evaluation of the efficiency of the tick model on the combination of gene and algorithm programming (gep) and weighted ultrafast genetic neural network (w-elm) for simulating groundwater level fluctuations

this study simulates groundwater level changes in the kermanshah plain using two advanced machine learning algorithms، including w-elm and gep. groundwater level fluctuations، as a key challenge in water resources management، are affected by factors such as precipitation، temperature، and water withdrawal rate. the aim of this study is to evaluate and compare the performance of different machine learning models in simulating and predicting these fluctuations under variable conditions. the data used in this study includes monthly groundwater level information، precipitation، evaporation، and temperature from 2002 to 2020. to increase the accuracy of the models، the data were processed using the min-max normalization method. the results of evaluating the models using various performance indicators such as rmse، r²، and nse show that the w-elm model effectively performed better in both training and testing stages than the gep model. in particular، in the testing phase، the w-elm model was able to provide the highest accuracy with r²=0.9989 and rmse=0.0934. also، the sensitivity analysis of the models showed that the groundwater level lag variable (gwₜ₋₁) had the greatest impact on the performance of the models. this research shows that machine learning models، especially the w-elm model، can be effective tools for predicting groundwater level fluctuations and optimal management of water resources in different regions.