بررسی عدم قطعیت پارامتر هدایت هیدرولیکی در مدل سازی آب زیرزمینی با روش مونت کارلوی فضای تهی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری آب و سازه‌های هیدرولیکی، گروه مهندسی عمران، دانشگاه قم

2 استاد گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه قم

3 استاد گروه مهندسی آب، دانشکده عمران، دانشگاه تبریز

چکیده

در مدل‌سازی آب‌های زیرزمینی، برای وارد کردن پارامتر هدایت هیدرولیکی، معمولا آبخوان به پهنه‌هایی تقسیم‌بندی شده و برای هر پهنه یک مقدار برای این پارامتر در نظر گرفته می‌شود. این در حالی است که اندازه‌گیری‌های میدانی این پارامتر تنها در بعضی از نقاط انجام می‌شود و بنابراین تعمیم آن به نواحی دیگر با عدم قطعیت همراه است. هدف از این پژوهش بررسی عدم قطعیت پارامتر هدایت هیدرولیکی در مدل‌سازی آبخوان دشت قم است. به این منظور با استفاده از مدل آب زیرزمینی MODFLOW مدل این آبخوان تشکیل شده و در حالت ماندگار با مقدار RMSE برابر 95/2 متر برای ترازهای آب محاسباتی کالیبره شد. پس از آن، مدل با روش مونت کارلوی فضای تهی برای شناسایی پهنه‌هایی از هدایت هیدرولیکی که مدل را با میزان خطای مشابهی با مدل اصلی کالیبره می‌کنند، اجرا شد. نتایج نشان داد تعداد هشت پهنه مختلف دیگر از هدایت هیدرولیکی وجود دارند که در صورت استفاده از آن‌ها مدل همچنان با میزان خطای مشابهی کالیبره می‌شود. بیشترین انحراف معیار پارامتر هدایت هیدرولیکی برای این هشت پهنه حدود 28 متر در روز در نواحی مرکزی و شمالی آبخوان و کمترین انحراف معیار به میزان کمتر از 1 متر در روز در نواحی جنوبی و شرقی آبخوان اتفاق افتاد. این به معنای عدم قطعیت بالای پارامتر هدایت هیدرولیکی در نواحی مرکزی و شمالی و عدم قطعیت کمتر آن در نواحی جنوبی و شرقی است. با توجه به این که ارتباط معناداری بین میزان عدم قطعیت پارامتر هدایت هیدرولیکی و محل پیزومترها مشاهده نشد، شاید بتوان نتیجه گرفت که افزایش تعداد پیزومترها در مدل‌سازی صورت گرفته کمکی به کاهش عدم قطعیت پارامتر هدایت هیدرولیکی نمی‌کند و در نتیجه برای کاهش عدم قطعیت، به اندازه گیری‌های‌ بیشتر این پارامتر در نقاط مختلف آبخوان نیاز است.

کلیدواژه‌ها

عنوان مقاله [English]

Uncertainty analysis of hydraulic conductivity parameter in groundwater modeling using null space Monte Carlo method

نویسندگان [English]

  • Hadi Ebrahimi 1
  • Taher Rajaee 2
  • Vahid Nourani 3
1 PhD. Student in Civil Engineering, Department of Civil Engineering, University of Qom
2 Professor, Department of Civil Engineering, University of Qom
3 Professor, Department of Water Resources Engineering, Faculty of Civil Engineering, University of Tabriz
چکیده [English]

In groundwater modeling, to input the hydraulic conductivity parameter, the aquifer is usually divided into some zones and for each zone a value is considered for this parameter. However, the field measurements of this parameter are performed only in some places, and therefore its generalization to other areas is associated with uncertainty. The aim of this study was to investigate the uncertainty of the hydraulic conductivity parameter in modeling the aquifer of Qom plain. For this purpose, using the MODFLOW groundwater model, the model of this aquifer was constructed and calibrated in a steady state simulation with a value of RMSE = 2.95 m for computed groundwater levels. Then the model was run using Null Space Monte Carlo to identify areas of hydraulic conductivity that calibrate the model with the same error rate as the original model. The results showed that there are eight other different zones of hydraulic conductivity that if used, the model will still be calibrated with the same error rate. The highest standard deviation of the hydraulic conductivity parameter for these eight zones was about 28 meters per day in the central and northern areas of the aquifer and the lowest standard deviation was less than 1 meter per day that occurred in the southern and eastern areas of the aquifer. This means high uncertainty of the hydraulic conductivity parameter in the central and northern areas and less uncertainty in the southern and eastern areas. Given that no significant relationship was found between the amount of uncertainties of hydraulic conductivity and the location of piezometers, so it can be concluded that increasing the number of piezometers in the model does not help to reduce the uncertainties of the hydraulic conductivity parameter and therefore more measurements of this parameter in different parts of the aquifer is needed.

کلیدواژه‌ها [English]

  • Groundwater model
  • Uncertainty
  • Null Space Monte Carlo method
  • Hydraulic conductivity
  • MODFLOW

مراجع

اداره کل هواشناسی استان قم، 1401. نمایه اقلیم استان قم. برگرفته از وب سایت .<http:// http://www.ghommet.ir>
رجایی، ط. و ابراهیمی، ه. 1394. کاربرد مدل شبکه عصبی-  موجک برای پیش بینی ویژگی‌‌های غیرایستا و غیر خطی سری زمانی تراز آب زیرزمینی. پژوهش‌‌های حفاظت آب و خاک. 22 (5): 115-99.
شرکت سهامی آب منطقه‌‌ای قم، 1392. مطالعات نیمه تفصیلی منابع آب زیرزمینی محدوده مطالعاتی قم-کهک.
عابدینی، م.، ضیایی، ع.، ن.، شفیعی، م.، قهرمان، ب.، انصاری، ح. و مشکینی، ج. 1395. تحلیل عدم قطعیت در مدل سازی آب زیرزمینی با استفاده از روش GLUE (مطالعه موردی: دشت بجنورد). نشریه آبیاری و زهکشی ایران. 6 (10): 769-755.
کاهه، م.، جوادی، س. و روزبهانی، ع. 1397. تحلیل عدم‏قطعیت پارامتر هدایت هیدرولیکی در مدل MODFLOW توسط روش مونت‏کارلو و RPEM (مطالعه موردی: دشت علی ‏آباد قم). تحقیقات منابع آب ایران. 14 (2): 35-23.
معصومی، ف.، نجارقابل، س. و صفرزاده، ا. 1400. کالیبراسیون خودکار مدل شبیه سازی آبهای زیرزمینی(Modflow) با الگوریتم غیرقطعی Sufi-II. نشریه مهندسی عمران امیرکبیر. 53 (4): 16-16.
نوروزی خطیری، خ.، نیک سخن، م. و سارنگ، ا. 1398. تحلیل عدم قطعیت مدل شبیه سازی-بهینه سازی آبخوان با استفاده از الگوریتم مونت کارلو (زنجیرۀ مارکوف). اکوهیدرولوژی. 6 (1): 151-137.
همراز، ب.، اکبرپور، ا. و پوررضا بیلندی، م. 1394. تحلیل عدم قطعیت پارامتری مدل MODFLOW توسط روش GLUE (مطالعه موردی: دشت بیرجند). نشریه پژوهش‌‌های حفاظت آب و خاک. 22 (6): 79-61.
Abbaszadeh Shahri, A., Shan, C. and Larsson, S. 2022. A Novel Approach to Uncertainty Quantification in Groundwater Table Modeling by Automated Predictive Deep Learning. Natural Resources Research. 31: 1351–1373. https://doi.org/10.1007/s11053-022-10051-w
Cui, T., Sreekanth, J., Pickett, T., Rassam, D., Gilfedder, M. and Barrett, D. 2021. Impact of model parameterization on predictive uncertainty of regional groundwater models in the context of environmental impact assessment. Environmental Impact Assessment Review. 90: 106620. https://doi.org/10.1016/j.eiar.2021.106620
Diersch, H.J. 2005. FEFLOW: finite element subsurface flow and transport simulation system - user’s manual. WASY GmbH, Berlin.
Doherty, J., Brebber, L. and Whyte, P. 1994. PEST: model independent parameter estimation. Watermark Numerical Computing, Australia.
Ebrahimi, H. and Rajaee, T. 2017. Simulation of groundwater level variations using wavelet combined with neural network, linear regression and support vector machine. Global and Planetary Change. 148: 181–191. https://doi.org/10.1016/j.gloplacha.2016.11.014
Gibrilla, A., Anornu, G. and Adomako, D. 2018. Trend analysis and ARIMA modelling of recent groundwater levels in the White Volta River basin of Ghana. Groundwater for Sustainable Development. 6: 150–163. https://doi.org/10.1016/j.gsd.2017.12.006
GMS 10.1 Tutorial (a). MODFLOW – Stochastic Modeling, PEST Null Space Monte Carlo I. Retrieved from <https://www.aquaveo.com>.
GMS 10.1 Tutorial (b). MODFLOW – Advanced PEST. Retrieved from <https://www.aquaveo.com>.
Hamraz, B.S., Akbarpour, A., Pourreza Bilondi, M. and Sadeghi Tabas, S. 2015. On the assessment of ground water parameter uncertainty over an arid aquifer. Arabian Journal of Geosciences. 8 (12): 10759–10773. https://doi.org/10.1007/s12517-015-1935-z
Hemker, K. and Bakker, M. 2006. Analytical solutions for whirling groundwater flow in two dimensional heterogeneous anisotropic aquifers. Water Resources Research. 42 (12): 1–12. https://doi.org/10.1029/2006WR004901
Jomehpour, M. 2009. Qanat irrigation systems as important and ingenious agricultural heritage: case study of the qanats of Kashan, Iran. International Journal of Environmental Studies. 66 (3): 297–315. https://doi.org/10.1080/00207230902752629
Karimi, L., Motagh, M. and Entezam, I. 2019. Modeling groundwater level fluctuations in Tehran aquifer: Results from a 3D unconfined aquifer model. Groundwater for Sustainable Development. 8: 439–449. https://doi.org/10.1016/j.gsd.2019.01.003
Kroese, D.P., Brereton, T., Taimre, T. and Botev, Z.I. 2014. Why the Monte Carlo method is so important today. WIREs Computational Statistics. 6 (6): 386–392. https://doi.org/10.1002/wics.1314
Lykkegaard, M.B., Dodwell, T.J. and Moxey, D. 2021. Accelerating uncertainty quantification of groundwater flow modelling using a deep neural network proxy. Computer Methods in Applied Mechanics and Engineering. 383: 113895. https://doi.org/10.1016/j.cma.2021.113895
Masoumi, F., Najjar-Ghabel, S., Safarzadeh, A. and Sadaghat, B. 2020 Automatic calibration of the groundwater simulation model with high parameter dimensionality using sequential uncertainty fitting approach. Water Supply. 20: 3487–3501. https://doi.org/10.2166/ws.2020.241
McDonald, M.G. and Harbaugh, A.W. 1988. A modular three-dimensional finite-difference ground-water flow model. USGS TWRI 586.
Mogaji, K.A., Lim, H.S. and Abdullah, K. 2015. Modeling of groundwater recharge using a multiple linear regression (MLR) recharge model developed from geophysical parameters: a case of groundwater resources management. Environmental Earth Sciences. 73: 1217–1230. https://doi.org/10.1007/s12665-014-3476-2
Rajaee, T. and Boroumand, A. 2015. Forecasting of chlorophyll-a concentrations in South San Francisco Bay using five different models. Applied Ocean Research. 53: 208–217. https://doi.org/ 10.1016/j.apor.2015.09.001
Rajaee, T., Ebrahimi, H. and Nourani, V. 2019. A review of the artificial intelligence methods in groundwater level modeling. Journal of Hydrology. 572: 336–351. https://doi.org/10.1016/j.jhydrol.2018.12.037
Singh, A. 2014. Groundwater resources management through the applications of simulation modeling: A review. Science of the Total Environment. 499: 414–423. https://doi.org/10.1016/j.scitotenv.2014.05.048
Todd, D.K. and Mays, L.W. 2005. Groundwater Hydrology, 3rd edition. John Wiley & Sons, Inc., Hoboken, NJ, USA.
Yeh, H.D. and Chang, Y.C. 2013. Recent advances in modeling of well hydraulics. Advances in Water Resources. 51: 27–51. https://doi.org/10.1016/j.advwatres.2012.03.006
Yin, J., Tsai, F., and Kao, S. 2021. Accounting for uncertainty in complex alluvial aquifer modeling by Bayesian multi-model approach. Journal of Hydrology. 601: 126682. https://doi.org/10.1016/j.jhydrol.2021.126682
Zhou, Y. and Li, W. 2011. A review of regional groundwater flow modeling. Geoscience Frontiers. 2 (2): 205–214. https://doi.org/10.1016/j.gsf.2011.03.003
نشریه آبیاری و زهکشی ایران
دوره 16، شماره 4 - شماره پیاپی 94
مهر و آبان 1401
صفحه 863-877

فایل ها

هم رسانی

ارجاع به این مقاله

آمار