الگوبندی هیدروگراف معرف آبخوان با مدل مفهومی مادفلو و فرامدل شبیه‌ساز شبکه عصبی- فازی (مطالعه موردی)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز

2 دانش آموخته کارشناسی ارشد مهندسی منابع آب، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه رازی کرمانشاه

3 دانش‌آموخته کارشناسی ارشد آبیاری و زهکشی، گروه مهندسی آب، دانشکده کشاورزی، دانشگاه رازی، کرمانشاه

4 دانشیار گروه منابع آب، دانشکده مهندسی علوم آب، دانشگاه شهید چمران اهواز

چکیده

کاهش نزولات جوی، محدود بودن منابع آب و برداشت روزافزون از آبهای زیرزمینی موجب افت سطح ایستابی دشت‌ها شده است و بنابراین الگوبندی آبهای زیرزمینی به عنوان ابزار کارآمد جهت مدیریت و حفاظت این منابع مطرح می‌باشد. در این مطالعه از اطلاعات آماری ماهانه سطح پیزومتر‌ها برای 5 سال آبی (89-88 تا 93-92) مربوط به سطح 8 پیزومتر آبخوان دشت لور-اندیمشک، استفاده شد. در ابتدا با استفاده از روش تسین، میانگین وزنی هر پیزومتر بدست آمد و سری زمانی تراز آب زیرزمینی دشت که بیانگر هیدروگراف معرف آبخوان منطقه مورد مطالعه است، محاسبه گردید. سپس با استفاده از مدل مفهومی آب زیرزمینی مادفلو و فرا مدل شبیه ساز عصبی-فازی، هیدروگراف معرف آبخوان مدل سازی شد و نتایج با هم مقایسه گردید. نتایج نشان داد که مدل مفهومی مادفلو با ضریب تبیین 7836/0 در مرحله تست نسبت به فرا مدل شبیه ساز عصبی-فازی با ضریب تبیین 6348/0 دارای عملکرد بهتری می‌باشد.

کلیدواژه‌ها


عنوان مقاله [English]

Hydrograph model representing aquifer with the model of the Madflow and meta model neural-fuzzy network simulator (case study)

نویسندگان [English]

  • mohammad reza golabi 1
  • Massume zeinali 2
  • sohila farzi 3
  • feridon radmanesh 4
1 Ph.D. Student, Department of Water Resources Engineering, Faculty of Water Sciences, Shahid Chamran University, Ahvaz, Iran
2 Graduated Master of Water Resources Engineering, Department of Water Engineering, Faculty of Agriculture, Razi University, Kermanshah, Iran
3 Graduated Master of Irrigation and Drainage, Department of Water Engineering, Faculty of Agriculture, Razi University, Kermanshah, Iran
4 Associate Professor of Water Resources Engineering, Faculty of Water Science, shahid Chamran University, Ahvaz, Iran
چکیده [English]

Decreasing atmospheric precipitation, limiting water resources and increasing drainage of groundwater has led to a reduction in the surface of the plain, and therefore an underground water map is an effective tool for managing and protecting these resources. In this study, the monthly statistical data of the surface of piezometers for 5 years water (89-88 to 93-92) related to the 8-pisometer level of the Lower-Andimeshk plain aquifer. At the beginning, using the Tesine method, the weighted average of each piezometer was obtained and the time series of the groundwater level of the plain, which represents the hydrograph of the representative water column of the study area, was calculated. Then, using the concept of groundwater of the Modflow and supermodel of the neuro-fuzzy simulator, the hydrograph represented the aquifer modeling and the results were compared. The results showed that the concept model of Modflow with a coefficient of explanation of 0.736 in the test phase compared to the neuro-fuzzy simulator model with a coefficient of explanation of 0.6348 has better performance.

کلیدواژه‌ها [English]

  • Hydrograph representing aquifer
  • Madflow model
  • Modeling
  • Meta model neural-fuzzy Simulator
اکبرزاده،ف.، حسن پور،ح.، امام قلی زاده،ص. 1395. پیش­بینی تراز آب زیرزمینی دشت شاهرود با استفاده از شبکه عصبی مصنوعی تابع پایه شعاعی. دانشگاه علوم کشاورزی و منابع طبیعی ساری پژوهشنامه مدیریت حوزه آبخیز. 7. 13: 118-104.

آذری،آ. 1392. شبیه­سازی و بهینه­سازی چند منظوره برای مدیریت بهره­برداری تلفیقی منابع آب در شرایط برهم کنش آب سطحی و زیرزمینی با استفاده از روش الگوریتم ژنتیک (مطالعه موردی: دشت دز). پایان نامه دکتری، دانشگاه شهید چمران اهواز.

پورمحمدی،س.، ملکی نژاد،ح.، پورشرعیاتی،ر. 1392. مقایسه کارایی روش­های شبکه عصبی و سری­های زمانی در پیش­بینی سطح آب زیرزمینی (مطالعه موردی: زیرحوزه بختگان استان فارس). نشریه پژوهش­های حفاظت آب و خاک گرگان. 20. 4: 26-251.

  خاشعی سیوکی،ع.، قهرمان،ب.، کوچک­زاده،م. 1392. مقایسه مدل‌های شبکه عصبی مصنوعی، ANFIS و رگرسیونی در برآورد سطح ایستابی آبخوان دشت نیشابور. نشریه آبیاری و زهکشی ایران. 7. 1: 22-10.

   زارعی،ح.، آخوندعلی،ع.م.1386. مقایسه روش­های زمین آماری و آمار کلاسیک در ترسیم هیدروگراف واحد آب زیرزمینی. طرح پژوهشی سازمان آب و برق خوزستان، ص71.

ستوده­پور،م.، فریدونی،م. 1393. شبیه­سازی تراز آب زیرزمینی با استفاده از مدل­های فازی عصبی و مقایسه آن با مدل­های سری زمانی (مطالعه موردی: دشت جم). پانزدهمین کنفرانس دانشجویان عمران سراسر کشور، ارومیه، انجمن علمی دانشجویی عمران دانشگاه ارومیه.

گلابی،م،ر.، آخوندعلی،ع.م.، رادمنش،ف. 1392. مقایسه عملکرد الگوریتم­های مختلف شبکه عصبی مصنوعی در مدل­سازی بارندگی فصلی (مطالعه موردی: ایستگاه‌های منتخب استان خوزستان). نشریه تحقیقات کاربردی علوم جغرافیایی.
 30: 169-151.

مسلمی،خ. 1390. پیش‌بینی سطح آب زیرزمینی دشت بسطام با استفاده از مدل شبکه عصبی مصنوعی (ANN) و شبکه استنتاج تطبیقی عصبی فازی (ANFIS). پایان نامه کارشناسی ارشد، کتابخانه مرکزی دانشگاه صنعتی شاهرود.

ملکی نژاد، ح.، پورشرعیاتی، ر.1392. کاربرد و مقایسه مدل سری زمانی تجمعی و مدل شبکه عصبی مصنوعی در پیش­بینی تغییرات سطح آب زیرزمینی (مطالعه موردی: دشت مروست). علوم و مهندسی آبیاری (مجله­ی علمی کشاورزی). 36 . 3: 92-81.

ندیری،ع.، نادری،ک.، اصغری مقدم،ا.، حبیبی،م. ح. ع. 1395. پیش‌بینی زمانی و مکانی سطح آب زیرزمینی با استفاده از روش‌های هوش مصنوعی و زمین آمار (مطالعه موردی: آبخوان دشت دوزدوزان). نشریه جغرافیا و برنامه ریزی. 20. 58 : 281-301.

نورانی،و.، صالحی،ک. 1387. مدل سازی بارش- رواناب با استفاده از شبکه عصبی فازی تطبیقی و مقایسه آن با شبکه عصبی و روش استنتاج فازی. مطالعه موردی: (منطقه لیقوان چای در استان آذربایجان شرقی). چهارمین کنگره ملی مهندسی عمران، دانشگاه تهران.

 

Anderson,M.P.,Woessner,W.W. 1992 . Applied groundwater modeling flow and adjective Transport. Imprint: Academic Press, first Edition. 381p. 138-141

Barzegar,R., Fijani,E., Asghari Moghaddama,A., Tziritis,E. 2017. Forecasting of groundwater level fluctuations using ensemble hybrid multi-wavelet neural network-based models. Science of the Total Environment. 20–31.

Bear,J. 2010. Modeling Groundwater Flow and Contaminant Transport. Springer Verlag. 23. 834 P.

Jang,J.S.R., Sun,C.T., Mizutani,E. 1997. Neuro-Fuzzy and Soft Computing: A Computational Approach to Learning and Machine Intelligence. Prentice-Hall International.New Jersey. first Edition. 614p. 232-236

Kisi,O, 2009. Evolutionary fuzzy models for river suspended sediment concentration estimation. Journal of Hydrology. 372. 1–4: 68-79.

Lu,C., Chen,Y., Zhang,C., Luo,J. 2013. Steady-state freshwater–seawater mixing zone in stratified coastal aquifers. Journal of Hydrology. 230:52-67.

 Nourani,V., Komasi,M .2013. A geomorphology-based ANFIS model for multi-station modeling of rainfall–runoff process. Journal of Hydrology. 490: 41-55.

Mattar,M.A., Alamoud,A.I. 2015. Artificial neural networks for estimating the hydraulic performance of labyrinth-channel emitters. Computers and Electronics in Agriculture. 114:189-201.

Nayak,P.C., Sudheer,K.P., Rangan,D.M., Ramasastri,K.S. 2004. A neuro-fuzzy computing technique for modeling hydrological time series. Journal of Hydrology. 291.1–2: 52-66.

Rezaie-balf,M., Naganna,S.R., Ghaemi,A., Deka,P.C. 2017. Wavelet coupled MARS and M5 model tree approaches for groundwater level forecasting. Journal of Hydrology. 553:356-373.

Ross,T.J. 1995. Fuzzy logic with engineering application. McGraw Hill Inc., USA.

Stanley Raj,A., Hudson Oliver,D., Srinivas,Y., Viswanath,J .2017. Wavelet based analysis on rainfall and water table depth forecasting using Neural Networks in Kanyakumari district, Tamil Nadu, India. Groundwater for Sustainable Development. 5: 178–186.

Yoona,H., Hyunb,Y., Leec,K. Ha,K.K. Kim,G.B. 2016. A method to improve the stability and accuracy of ANN- and SVM-based time series models for long-term groundwater level predictions. Computers and Geosciences. 90. PA:144-155