ارزیابی سختی آب زیرزمینی دشت خرم آباد با استفاده از مدل های هیبریدی مبتنی بر الگوریتم های فراابتکاری (مطالعه موردی: لندفیل همدان)

در این پژوهش از مدل هیریدی رگرسیون بردار پشتیبان با الگوریتم های بهینه سازی موجک، کرم شب تاب و گرگ خاکستری به منظور برآورد میزان سختی آب زیرزمینی چاه ناصروند واقع در دشت خرم آباد استان لرستان استفاده شد. جهت مدل‌سازی از داده‌های کیفی چاه موجود شامل پارامتر هیدروژن کربنات (hco3)، کلرید (cl)، سولفات (so4)، منیزیم(mg)، کلسیم(ca) و سختی آب (th) همگی بر حسب ppm در مقیاس زمانی ماهانه در طی سال آبی (1402-1382) بعنوان ورودی و میزان سختی آب زیرزمینی به عنوان خروجی مدل انتخاب گردید. به منظور ارزیابی عملکرد مدلها از معیارهای ارزیابی ضریب همبستگی، ریشه میانگین مربعات خطا، میانگین قدر مطلق خطا و ضریب نش ساتکلیف استفاده شد. همچنین جهت تحلیل نتایج مدلها از نمودار سری زمانی و باکس پلات و تیلور استفاده شد. نتایج نشان داد سناریو های ترکیبی در مدلهای مورد بررسی باعث بهبود عملکرد مدل می شود. مقایسه نتایج نشان داد مدل رگرسیون بردار پشتیبان – موجک عملکرد بهتری نسبت به مدل رگرسیون بردار پشتیبان-گرگ خاکستری در مدل‌سازی دارد، بگونه ای که مدل رگرسیون بردار پشتیبان – موجک با ضریب همبستگی 0/917، کمترین ریشه میانگین مربعات (ppm) 0/190، کمترین میانگین قدر مطلق خطا (ppm) 0/115 و بیشترین ضریب نش ساتکلیف 0/920 در مرحله صحت سنجی در اولویت قرار گرفت. درمجموع نتایج نشان داد استفاده از مدلهای هوشمند مبتنی بر رویکرد رگرسیون بردار پشتیبان می تواند رویکردی موثر در مدیریت کیفی آبهای زیرزمینی باشد.

assessment of groundwater hardness in khorramabad plain using hybrid models based on metaheuristic algorithms

in this study, a hybrid support vector regression (svr) model, combined with optimization algorithms including wavelet, firefly, and grey wolf, was employed to estimate groundwater hardness at the naservand well in the khorramabad plain of lorestan province. for modeling, monthly quality data of the well during the water year (1382-1402) were used. this included parameters such as bicarbonate (hco3), chloride (cl), sulfate (so4), magnesium (mg), calcium (ca), and total hardness (th), all measured in ppm, which were used as inputs. groundwater hardness was selected as the model output. to evaluate the performance of the models, assessment metrics such as the correlation coefficient, root mean square error (rmse), mean absolute error (mae), and nash-sutcliffe efficiency coefficient (nse) were used. time series, box plots, and taylor diagrams were also used for analyzing the model results. the results indicated that hybrid scenarios in the studied models improve the model's performance. comparing results showed that the support vector regression-wavelet model performed better than the support vector regression-grey wolf model, with the support vector regression-wavelet model achieving a correlation coefficient of 0.917, the lowest rmse of 0.190 ppm, the lowest mae of 0.115 ppm, and the highest nse of 0.920 in the validation stage. overall, the results indicate that using intelligent models based on the support vector regression approach can be an effective approach for managing groundwater quality.