|
|
پیشبینی تغییرات تراز آب زیرزمینی با استفاده از مدل ترکیبی موجک- ماشین آموزش نیرومند خودتطبیقی- چاه مشاهداتی سراب قنبر کرمانشاه
|
|
|
|
|
نویسنده
|
یوسفوند فریبرز ,شعبانلو سعید
|
منبع
|
علوم آب و خاك - 1398 - دوره : 23 - شماره : 4 - صفحه:267 -283
|
چکیده
|
در این مطالعه، سطح آب زیرزمینی در منطقه سراب قنبر واقع در جنوب شهر کرمانشاه، کشور ایران با استفاده از مدل موجک ماشین آموزش نیرومند خودتطبیقی (wasaelm) تخمین زده شد. برای توسعه مدل عددی از روش هوش مصنوعی و جدید ماشین آموزش نیرومند خودتطبیقی و تبدیل موجک استفاده شد. در ابتدا، با استفاده از تابع خودهمبستگی، خودهمبستگی نسبی و تاخیرهای موثر، هشت مدل مختلف saelm و wasaelm متمایز توسعه داده شدند، سپس مقادیر تراز آب زیرزمینی چاه مشاهداتی نرمالسازی شدند. در ادامه، با تجزیهوتحلیل نتایج مدلسازی، بهینهترین خانواده موجک برای مدلسازی انتخاب شد. با ارزیابی نتایج مدلهای saelm و wasaelm مشخص شد که مدلهای wasaelm در مقایسه با مدلهای saelm مقادیر تابع هدف را با دقت بیشتری تخمین زدند. سپس مدل برتر بر اساس دقت آن در پیشبینی تراز آب زیرزمینی انتخاب شد. بهعنوان مثال در حالت تست، مقادیر r، mae و nsc برای مدل برتر بهترتیب برابر 995/0، 988/0 و 990/0 محاسبه شدند. همچنین برای مدلهای عددی، تحلیل عدم قطعیت انجام و نشان داده شد که مدل برتر مقادیر مشاهداتی را کمتر از مقدار واقعی تخمین زده است.
|
کلیدواژه
|
تراز آب زیرزمینی، ماشین آموزش نیرومند خودتطبیقی، تحلیل عدم قطعیت، تبدیل موجک
|
آدرس
|
دانشگاه آزاد اسلامی واحد کرمانشاه, گروه مهندسی آب, ایران, دانشگاه آزاد اسلامی واحد کرمانشاه, گروه مهندسی آب, ایران
|
|
|
|
|
|
|
|
|
|
|
Prediction of Groundwater Level Changes Using Hybrid Wavelet Self- Adaptive Extreme Learning Machine Model- Observation Well of Sarab Qanbar, Kermanshah
|
|
|
Authors
|
Yosevfand F. ,Shabanlou S.
|
Abstract
|
In this study, the groundwater level (GWL) of the Sarab Qanbar region located in the south of Kermanshah, Iran, was estimated using the Wavelet Self Adaptive Extreme Learning Machine (WA SAELM) model. An artificial intelligence method called ldquo;Self Adaptive Extreme Learning Machine rdquo; and the ldquo;Wavelet transform rdquo; method were implemented for developing the numerical model. First, by using the autocorrelation function (ACF), the partial autocorrelation function (PACF) and the effective lags in estimating GWL, eight distinctive SAELM and WA SAELM models were developed. Later, the values of the observational well were normalized for estimating GWL. Next, the most optimized mother wavelet was chosen for the modeling. By evaluating the results of SAELM and WA SAELM, it was concluded that the WA SAELM models could estimate the values of the objective function with higher accuracy. Then, the superior model was introduced, showing that it could be very accurate in forecasting the GWL. In the test mode, for example, the values of R (correlation coefficient), Main absolute error (MAE) and the NSC Sutcliffe efficiency coefficient (NSC) for the superior model were calculated to be 0.995, 0.988 and 0.990, respectively. Furthermore, an uncertainty analysis was conducted for the numerical models, proving that the superior model had an underestimated performance.
|
Keywords
|
Groundwater level ,Self- Adaptive Extreme Learning Machine (SAELM) ,Uncertainty analysis ,Wavelet transform
|
|
|
|
|
|
|
|
|
|
|