ارزیابی شبکه عصبی مصنوعی و مدل عددی MODFLOW در پیشبینی سطح ایستابی (مطالعه موردی: خراسان جنوبی - دشت بیرجند)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کارشناس ارشد شرکت آب و فاضلاب مشهد

2 دانشیار گروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

3 دانشیار گروه مهندسی عمران، دانشکده مهندسی، دانشگاه بیرجند، بیرجند، ایران

4 دانشیارگروه مهندسی آب، دانشگاه علوم کشاورزی و منابع طبیعی گرگان

چکیده

آب­های زیرزمینی به عنوان یکی از مهم­ترین منابع تامین آب شرب و کشاورزی به ویژه در مناطق خشک و نیمه­خشک مطرح بوده است. دشت بیرجند با قرار گرفتن در منطقه خشک، استفاده از آب­های زیرزمینی را به عنوان تنها منبع تولید آب شیرین در اختیار دارد. پیش­بینی نوسانات سطح آب زیرزمینی دشت می­تواند کمک شایانی به برنامه­ریزی و تصمیم­گیری­های بعدی، جهت تامین دراز مدت آب شرب، کشاورزی و صنعت نماید. هدف از این تحقیق مقایسه دو روش مدل عددی MODFLOW و شبکه عصبی مصنوعی در پیش­بینی سطح ایستابی دشت بیرجند می­باشد. شبکه عصبی مصنوعی یکی از روش­های هوشمند بوده که با استفاده از ارتباط ذاتی داده‌ها، روابط غیرخطی بین آن­ها را آموزش دیده و نتایج را برای بقیه حالات تعمیم می‌دهد. مدل عددی نیز با دریافت کلیه اطلاعات مربوط به یک آبخوان که به صورت لایه­های GIS می­­باشد، قادر به پیش­بینی سطح آب در آینده است. نرم افزار GMS برای حل عددی معادله حاکم بر حرکت آب زیرزمینی از دو روش المان محدود و تفاضل محدود استفاده می­نماید که در این تحقیق از روش تفاضل محدود استفاده شد. مدل عددی برای دو حالت ماندگار و غیرماندگار و در سه سناریوی ترسالی، نرمال و خشک­سالی اجرا و مورد مقایسه قرار گرفت. در بخش مدل شبکه عصبی، ورودی‌های مدل عبارت است از، میزان برداشت از چاه­های آب، میزان آب ورودی به هر چندضلعی بر حسب مترمکعب (ناشی از بارندگی منطقه) و تراز سطح آب در هر پیزومتر در گام زمانی قبل و خروجی مدل، تراز سطح آب در گام زمانی فعلی می­باشد. نتایج نشان می‌دهد که با استفاده از روش شبکه عصبی مصنوعی می‌توان با دقت مناسبی سطح آب زیرزمینی را تا 12 ماه بعد پیش­بینی نمود، ضمن آن­که در تعدادی از پیزومترها پیش­بینی تا 18 ماه نیز از دقت مناسبی برخوردار است. مدل عددیMODFLOW نیز تا 24 ماه آتی و با دقت بیش­تری نسبت به شبکه عصبی مصنوعی تغییرات سطح آب را پیش­بینی می­نماید.   

کلیدواژه‌ها


عنوان مقاله [English]

Evaluation of Artificial Neural Networks and MODFLOW Numerical Model in Forecasting Groundwater Table (Case Study: Birjand Aquifer, Southern Khorasan)

نویسندگان [English]

  • Mohsen Mohtasham 1
  • Amir Ahmad Dehghani 2
  • Abolfazl Akbarpour 3
  • Mahdi Meftah 4
1 MA, Water and Wastewater Company of Southern Khorasan
2 Associate Professor, Department of Water Engineering Gorgan University of Agricultural Sciences and Natural Resources
3 Associate Professor, Department of Civil Engineering, University of Birjand., Birjand., Iran
4 Associate Professor, Department of Water Engineering Gorgan University of Agricultural Sciences and Natural Resources
چکیده [English]

Groundwater has been discussed As one of the most important sources of drinking and agriculture water supply in arid and semi-arid especially. Birjand plain by being in the arid region and the use of ground water is as the only source of fresh water ahead. Predict the groundwater level fluctuations can be help in planning and future decision making, to provide long-term drinking water, agriculture and industry. The aim of this study was to compare two methods of MODFLOW numerical modeling and artificial neural network in forecasting of the Birjand aquifer groundwater table. ANN has been one of the smart ways, with the use of intrinsic, non-linear relationships between the thought and generalize the results to other modes. Numerical model receives all information about aquifer GIS layers, which is able to predict the groundwater level in the future. GMS software uses for the numerical solution of motion equation and of the finite element and finite-difference methods. In this study, the finite difference method was used. Numerical models run for steady state, unsteady state and for three scenarios wet, normal and dry were compared. The neural network model inputs were taken from the extraction wells, the amount of input water to each polygon in terms of cubic meters (caused by area rainfall) and the water level in the piezometers, in the step before, and the model, the water level is at the current time step. The results show that using artificial neural network can be predicted with reasonable accuracy the level of underground water for up to 12 months later. Moreover, in a number of piezometers predict the level of groundwater is of sufficient accuracy to 18 months. MODFLOW numerical model predicts with more accuracy than the artificial neural network changes the water level within 24 months.

کلیدواژه‌ها [English]

  • Birjand aquifer
  • GIS
  • GMS
  • Ground water
اکبرپور،ا.، عزیزی،م.، شیرازی،م. 1389. مدیریت بهره­برداری آب­های زیرزمینی دشت مختاران با استفاده از مدل ریاضی تفاضل محدود در محیط GMS، مجموعه مقالات اولین همایش ملی کویر، بیرجند.

اکبرپور،ا.، قوچانیان،ا.، اعتباری،ب.1390، مدیریت آب­های زیرزمینی با استفاده از تلفیق مدل­های WEAP وMODFLOW، مجموعه مقالات سومین کنفرانس سراسری مدیریت جامع منابع آب 1390، ساری.

ایزدی،ع.ا.، داوری،ک.، علیزاده،ا.، قهرمان،ب.، حقایقی مقدم،س،ا. 1386 .پیش­بینی سطح ایستابی با استفاده از شبکه عصبی مصنوعی مجله آبیاری و زهکشی ایران. 1. 2: 71-59.

تسلطی، ب. 1382. برآورد سطح آب زیرزمینی با استفاده از MODFLOW و شبکه عصبی مصنوعی. پایان نامه کارشناسی ارشد. دانشگاه تربیت مدرس، 105 صفحه

چیت سازان،م.، ساعت ساز،م.، 1384.  کاربرد مدل ریاضی MODFLOW در بررسی گزینه های مختلف مدیریت منابع آب دشت رامهرمز. مجله علوم دانشگاه شهید چمران . 14: 15-1.

علیزاده،ا. 1380. اصول هیدرولوژی کاربردی. دانشگاه فردوسی مشهد، 815 ص.

محتشم،م.، دهقانی،ا.، اکبرپور،ا.، مفتاح هلقی،م.، اعتباری،ب. 1391. پیش­بینی سطح ایستابی با استفاده از شبکه عصبی مصنوعی )مطالعه موردی  دشت بیرجند(. مجله آبیاری و زهکشی ایران. 1. 4 :1-10.

مختاری،م. 1380.کاربرد MATLAB و SIMULINK در مهندسی، چاپ اول، ترجمه صمدی بخارایی، مرکز انتشارات خراسان.

مهدی­زاده،م. 1383. شبکه­های عصبی مصنوعی و کاربرد آن در مهندسی عمران. انتشارات عبادی

 وزارت نیرو. 1380. نشریه شماره 337-الف، ضوابط طراحی هیدرولیکی ساختمان­های حفاظتی و تقاطعی و ساختمان­های حفاظت در مقابل فرسایش سامانه­های آبیاری.

Bierkens,M.F.P. 1998. Modeling water table fluctuations by means of a stochastic differential equation. Water resoure. Resarch. 34.10:2485-2499.

Copola,j.M., Szidarovszky,F., Poulton,M and Charles,E. 2003. Artificial neural network approach for predicting transient water levels in a multi layered ground water system under variable state, pumping, and climate conditions. Journal of hydrologic enjineering. 8.6:348-360.

Coulibaly,P., Anclil,F.,Aravena,R and Brnard B. 2001. Artificial neural network modeling of water table depth fluctuations. Journal of Hydrology. 309.4: 229-240.

Nayak,P., Satyaji Rao,Y.R and Sudheer,K.P. 2006. ground water level forecasting in a shallow aquifer using artificial neural network approach. Water resources Management. 2.1: 77-99.

Wang,H.F and Anderson,P. 1988. Introduction to Groundwaret Modeling: Finite Difference and Finite Element Methods. Academic Press, San Diego. 237p.