عملکرد شش روش ترکیبی هوشمند در مدل‌سازی کیفی آب زیرزمینی مطالعه موردی: دشت بافق

آتشپز گرگری، ا.، 1387. توسعه الگوریتم بهینه‌سازی اجتماعی و بررسی کارایی آن. پایان‌نامه کارشناسی ارشد، دانشکده مهندسی برق، دانشگاه تهران.

اقدر، ح. محمدیاری، ف.، ۱۳۹۴. مدل­سازی پارامتر کیفی TH در آب زیرزمینی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت مهران و دهلران). سومین همایش سراسری محیط زیست، انرژی و پدافند زیستی، تهران، موسسه آموزش عالی مهر اروند، گروه ترویجی دوستداران محیط زیست.

جانی، ر.، 1398. مدل­سازی خوشه‌ای تراز آب زیرزمینی دشت تبریز با استفاده از مدل آریما. هیدروژئولوژی، جلد 4، شماره 2، 74-91.

کرد، م.، اصغری مقدم، ا.، نخعی، م.، 1398. مدل­سازی عددی آبخوان دشت اردبیل و مدیریت آن با استفاده از بهینه­سازی برداشت آب زیرزمینی. هیدروژئولوژی، جلد 4، شماره 1، 153-167.

میرسنجری، م. م.، محمدیاری، ف.، بصیری، ر. حمیدی پور، ف.، 1396. مدل­سازی پارامترهای کیفی EC، SAR و TDS در آب زیرزمینی با استفاده از شبکه عصبی مصنوعی (مطالعه موردی: دشت مهران و دهلران). انسان و محیط زیست، جلد 15، شماره 3، 1-12.

نوری، ح.، ایلدرومی، ع.، سپهری، م. آرتیمانی، م.م.، 1397. مقایسه سه روش اصلی هوش مصنوعی در برآورد دبی سیلاب رودخانه یلفان. جغرافیا و برنامه­ریزی محیطی. جلد 29، شماره 4، 35-50.

Abu-Khalaf, N., Khayat, S., Natsheh, B., 2013. Multivariate data analysis to identify the groundwater pollution sources in Tulkarm area/Palestine. Sci Technol, 3(4): 99–104.

Alizamir, M., Sobhanardakani, S., 2017. Predicting arsenic and heavy metals contamination in groundwater resources of Ghahavand plain based on an artificial neural network optimized by imperialist competitive algorithm. Environ Health Eng Manag J, 4: 225–231.

Azad, A., Karami, H., Farzin, S., Saeedian, A., Kashi, H., Sayyahi F., 2018. Prediction of water quality parameters using ANFIS optimized by intelligence algorithms (case study: Gorganrood River). KSCE J Civ Eng, 22(7): 2206–2213.

Delir, S., Foroughi-Asl, A., Talatahari, S., 2019. A hybrid charged system search-firefly algoritm for optimization of water distribution networks. International Journal of Optimization in Civil Engineering, 9(2): 273-290.

Emamgholizadeh, S., Kashi, H., Marofpoor, I., Zalaghi, E., 2013. Prediction of water quality parameters of Karoon river (Iran) by artificial intelligence-based models. Int J Environ Sci Technol, 11: 645–656.

Hosseini-Moghari, S.M., Morovati, R., Moghadas, M., Araghinejad S., 2015. Optimum operation of reservoir using two evolutionary algorithms: imperialist competitive algorithm (ICA) and cuckoo optimization algorithm (COA). Water Resour Management, 29(10): 3749-3769.

Jalalkamali, A., 2015. Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters. Earth Science Informatics, 8(4): 885–894.

Karterakis, S.M., Karatzas, G.P., Nikolos, I.K., Papadopoulou, M.P., 2007. Application of linear programming and differential evolutionary optimization methodologies for the solution of coastal subsurface water management problems subject to environmental criteria. J Hydrol, 342: 270–282.

Kazemzadeh-Parsi, M.J., Daneshmand, F., Ahmadfard, M.A., Adamowski, J., Martel, R., 2015. Optimal groundwater remediation design of pump and treat systems via a simulation–optimization approach and firefly algorithm. Engineering Optimization, 47(1): pp. 1–17.

Khadr, M. and Elshemy, M., 2016. Data-driven modeling for water quality prediction case study: The drains system associated with Manzala Lake, Egypt. Ain Shams Engineering Journal, DOI: 10.1016/j.asej.2016.08.004

Kisi, O., Keshavarzi, A., Shiri, J., Zounemat-Kermani, M., Omran E-SE., 2017. Groundwater quality modeling using neuro-particle swarm optimization and neuro-differential evolution techniques. Hydrol Res, 48(6): 1508–1519.

Liu, W.C., Chen, W.B., Kimura, N., 2009. Impact of phosphorus load reduction on water quality in a stratified reservoir eutrophication modeling study. Environmental Monitoring and Assessment, 159(1–4): 393–406.

Luo, D., Guo, Q., Wang, X., 2003. Simulation and prediction of underground water dynamics based on RBF neural network. Acta Geoscientia Sinica, 24(5): 475–478.

Mousavi, S,F. and Amiri, M.J., 2012. Modelling nitrate concentration of groundwater using adaptive neural-based fuzzy inference system. Soil Water Resour, 7(2): 73–83.

Orouji, H., Bozorg Haddad, O., Fallah-Mehdipour, E., and  Mariño M.A., 2013. Modeling of water quality parameters using data-driven models. J Environ Eng, 139(7): 947–957.

Smaoui, H., Zouhri, L., Kaidi, S., Carlier E., 2018. Combination of FEM and CMA-ES algorithm for transmissivity identification in aquifer systems. Hydrol Process, 32(2): 264–277.

Sudheer, C., Mathur, S., 2012. Particle swarm optimization trained neural network for aquifer parameter estimation KSCE. J Civil Eng, 16: 298-307.

Tabari, M.M.R., 2016. Prediction of river runoff using fuzzy theory and direct search optimization algorithm coupled model. Arabian Journal for Science and Engineering, 41(10): 4039–4051.

Tien Bui, D., Khosravi, K., Li, S., Shahabi, H., Panahi, M., Singh, V., Chapi, K., Shirzadi, A., Panahi, S., Chen, W., Bin Ahmad, B., 2018. New Hybrids of ANFIS with several optimization algorithms for flood susceptibility modeling. Water, 10(9): 1210.

Yang, X.S., Sadat Hosseini, S.S., and Gandomi, A.H., 2012. Firefly Algorithm for Solving Non Convex Economic Dispatch Problems with Valve Loading Effect. Applied Soft Computing, 12: 1180–1186.

Zadeh. L.A., 1965. Fuzzy sets. Inf Control, 8(3):338–353.

Zhou, C.H., Gao, L., Gao, H., and Chuanyong, P., 2006. Pattern classification and prediction of water quality by neural network with particle swarm optimization. Proceeding of the 6th world Congress on Control and utomation, Jun, Dalian, China, pp. 21-23.