تخمین پارامترهای کیفی و کمی آب زیرزمینی توسط مدل‌های عددی: مطالعه موردی حوضه آبریز میقان در دشت اراک

در این مطالعه، مقادیر شوری، هدایت الکتریکی، تراز آب زیرزمینی و کل جامدات محلول در محدوده مطالعاتی اراک توسط چهار مدل نوین هوش مصنوعی ماشین آموزش نیرومند، ویولت ماشین آموزش نیرومند، ماشین آموزش نیرومند ترتیبی آنلاین و ویولت ماشین آموزش نیرومند ترتیبی آنلاین و همچنین نرم افزار مادفلو (مدل mt3d) شبیه سازی شدند. لازم به ذکر است که برای توسعه مدل های ترکیبی از تبدیل ویولت استفاده شد. در ابتدا، با استفاده از تابع خودهمبستگی و تابع خودهمبستگی جزئی، تاخیرهای موثر برای برآورد پارامترهای کیفی و کمی آب زیرزمینی شناسایی شدند. سپس با استفاده از این تاخیرها، چهار مدل مختلف برای هر یک از روش های هوش مصنوعی توسعه داده شدند. در ادامه، با انجام تحلیل حساسیت، مدل های برتر برای شبیه سازی پارامترهای کیفی و کمی آب زیرزمینی شناسایی شدند. همچنین موثرترین تاخیرها برای تخمین این پارامترها معرفی گردیدند. علاوه بر این، نتایج مدل مادفلو با مدل های هوش مصنوعی مقایسه شد که مدل های هوش مصنوعی دارای دقت بالاتری بودند. به عنوان مثال، مقادیر شاخص پراکندگی و ضریب نش برای کل جامدات محلول توسط مدل هوش مصنوعی برتر به ترتیب برابر با 3-e5.34 و 0.991 محاسبه شدند. همچنین، مقادیر rmse و mae برای تخمین تراز آب زیرزمینی توسط مدل برتر به ترتیب مساوی با 0.078 و 0.061 بدست آمدند. در انتها تحلیل عدم قطعیت برای مدل های برتر اجرا شد.

Estimation of Quantity and Quality Parameters of Groundwater Using Numerical Models (Case Study: Mighan Desert Basin, Arak)

In this paper, salinity, total dissolved solids (TDS), groundwater level (GWL) and electrical conductivity (EC) of the Arak Plain, located in Markazi Province, Iran, were simulated using four novel artificial intelligence models including extreme learning machine (ELM), wavelet extreme learning machine (WELM), online sequential extreme learning machine (OSELM) and wavelet online sequential extreme learning machine (OSELM) as well as the MODFLOW software (MT3D model). In order to develop the hybrid artificial intelligence models, the wavelet transform was employed. First, the effective lags in estimating the quality and quantity parameters of the groundwater were identified using the autocorrelation function (ACF) and the partial autocorrelation function (PACF) analysis. After that, four different models were developed using the effective lags for each of the artificial intelligence methods. Then, the superior models in simulating the groundwater quality and quantity parameters were detected by conducting a sensitivity analysis. Subsequently, the most effective lags in estimating these parameters were introduced. In addition, the results of The MODFLOW model were compared with the artificial intelligence models, and it was concluded that the latter were more accurate. For instance, the scatter index and NashSutcliffe efficiency coefficient values for TDS simulation by the superior model were 5.34E03 and 0.991, respectively. Additionally, RMSE and MAE for estimating groundwater level using the superior model were obtained 0.078 and 0.061, respectively. Finally, uncertainty analysis for the superior models was carried out.