آمار
| تعداد نشریات | 31 |
| تعداد شماره‌ها | 703 |
| تعداد مقالات | 7,574 |
| تعداد مشاهده مقاله | 9,384,738 |
| تعداد دریافت فایل اصل مقاله | 8,800,078 |
تخمین هدایت هیدرولیکی آبخوان باروق با استفاده از مدلهای فازی ساجنو و ممدانی | ||
| هیدروژئولوژی | ||
| مقالات آماده انتشار، پذیرفته شده ، انتشار آنلاین از تاریخ 08 اسفند 1396 | ||
| نوع مقاله: Research Paper | ||
| نویسندگان | ||
یاسر باقری1؛ اسفندیار عباس نوین پور  2؛ عطا الله ندیری 3؛ کیوان نادری4
| ||
| 1دانشجوی کارشناسی ارشد هیدروژئولوژی،دانشکده علوم، دانشگاه ارومیه،ارومیه | ||
| 2استاد گروه زمین شناسی دانشگاه ارومیه | ||
| 3استادیار ،دانشکده علوم طبیعی، دانشگاه تبریز،تبریز | ||
| 4دانشجوی دکترای هیدروژئولوژی،دانشکده علوم طبیعی،دانشگاه تبریز،تبریز | ||
| چکیده | ||
| با توجه به اینکه سامانه آب زیرزمینی یک سامانه پیچیده است و برآورد متغیرهای هیدروژئولوژیکی که معمولاً با روش-های کلاسیک مانند روش‌های آزمایشگاهی، اسلاگ تست، آزمایش ردیابی و آزمون‌های پمپاژ انجام می‌گیرد؛ با عدم قطعیت ذاتی همراه بوده و پر هزینه و وقت گیر است. بنا براین، استفاده از روش‌های هوش مصنوعی برای برآورد هدایت هیدرولیکی، می‌تواند از عدم قطعیت این متغیر کم کند و تا حدودی بر دقت آن می‌افزاید تا بتواند بر نواقص موجود در روش‌های کلاسیک چیره شود. در این میان مدیریت بهینه این تقاضا و جلوگیری از تخریب آبخوانها و منابع آب زیرزمینی مستلزم شناخت دقیق پارامترهای هیدرودینامیکی می‌باشد. در این تحقیق با استفاده از مدل های فازی ساگنو(SFL) و ممدانی(MFL) به تخمین هدایت هیدرولیکی آبخوان باروق پرداخته می‌شود. در همین راستا از داده‌های هدایت الکتریکی (EC) ،ضخامت زون اشباع (B) و مقاومت عرضی آبخوان (RT) به عنوان داده‌های ورودی مدل استفاده شده است. درنهایت به منظور بدست آوردن ایده‌آل‌ترین مدل مقدار مجذور میانگین مربعات خطا و R^2 برای هر دو مدل محاسبه و دو مدل با یکدیگر مقایسه گردید. نتایج نشان که مدل فازی ساگنو به ترتیب با ضریب همبستگی R2=0.94 و مجذور مربعات خطا RMSE=0.045 در مرحله آموزش عملکرد بهتری را نسبت به مدل ممدانی برای تخمین هدایت هیدرولیکی دارد. | ||
| کلیدواژه‌ها | ||
| هدایت هیدرولیکی؛ فازی ساجنو (SFM)؛ فازی ممدانی(MFL)؛ آبخوان باروق | ||
| عنوان مقاله [English] | ||
| Estimation of Hydraulic Conductivity of Barug Aquifer Using Sugeno and Mamadani Fuzzy Models | ||
| نویسندگان [English] | ||
| Yaser Bagheri1؛ Esfandiar Abbasnovinpour2؛ Attala Nadiri3؛ Kayvan Nadiri4 | ||
| 1M.sc student hydrogeology, science department, university of Uromieh, Uromieh | ||
| 2Assistant Professor, Department of Geology, Faculty of Science, Urmia University,Iran | ||
| 3Assistant Professor, natural sciences department, university of Tabriz, Tabriz | ||
| 4Hydrology Ph.d student, natural sciences department, university of Tabriz, Tabriz | ||
| چکیده [English] | ||
| Today, groundwater resources are majore sources of fresh water, agriculture and other expenditure. As population grows, communities grow, too and the need for food supplies, the use of underground resources will increase as well. In the meantime, the optimal management of the destruction of aquifers and groundwater resources requires accurate recognition of hydrogeological parameters. One of the most important parameters is hydraulic conductivity. Given that the groundwater system is a complex and heterogeneous system, the calculation of this parameter is associated with classical methods with inherent uncertainty and also costly and time consuming. Therefore, artificial intelligence methods have been used to estimate hydraulic conductivity, which in part increases the accuracy of calculation of this parameter and also overcomes the defects of classical methods. In this study, Sugeno fuzzy logic (SFL) and Mamdani fuzzy logic (MFL models) were used to estimate the hydraulic conductivity of the Barug aquifer. In this regard, the data of electrical conductivity (EC), saturation zone thickness (B) and transverse aquifer resistance (RT) were used as input data of the model. Finally, in order to obtain the most ideal model, the RMSE and R2 were calculated for both models and the two models were compared. The results indicate that Sagno fuzzy model had a better performance with coefficient function and root mean square error being receptively R2=0.94 and RMSE=0.045 in comparison with mamdani model for estimating hydraulic conductivity. | ||
| کلیدواژه‌ها [English] | ||
| Hydraulic conductivity, Sugeno fuzzy (SFM), Fuzzy Mamdani (MFL), Barug aquifer | ||
|
آمار تعداد مشاهده مقاله: 58 |
||
