آمار
| تعداد نشریات | 41 |
| تعداد شماره‌ها | 1,027 |
| تعداد مقالات | 12,538 |
| تعداد مشاهده مقاله | 13,720,575 |
| تعداد دریافت فایل اصل مقاله | 11,674,294 |
تخمین نوسانات تراز آب زیرزمینی توسط مدل بهینه موجک-برنامهنویسی بیان ژن | ||
| هیدروژئولوژی | ||
| مقاله 6، دوره 6، شماره 1، شهریور 1400، صفحه 68-83 اصل مقاله (2.16 MB) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/hydro.2021.14115 | ||
| نویسندگان | ||
احسان عزیزی1؛ احمد رجبی  2؛ بهروز یعقوبی2؛ سعید شعبانلو3
| ||
| 1دانشجوی دکتری منابع آب، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران | ||
| 2استادیار گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران | ||
| 3دانشیار، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران | ||
| چکیده | ||
| بهدلیل کاهش منابع آب زیرزمینی و خشکسالیهای اخیر، شبیهسازی نوسانات تراز آب زیرزمینی از اهمیت بالایی برخوردار است. در این مطالعه، مدل برنامهنویسی بیان ژن (GEP) با تبدیل موجک (WT) ترکیب شد و مدل موجک-برنامهنویسی بیان ژن (WGEP) تولید گردید و تخمین درازمدت نوسانات چاه مشاهداتی سراب قنبر در یک دوره 13 ساله بهینهسازی شد. در ابتدا دادههای مشاهداتی به دو دسته آموزش (9 سال) و آزمون (4 سال) تقسیم شدند. سپس با استفاده از تابع خود همبستگی، موثرترین تأخیرهای دادههای سری زمانی معرفی شدند. در ادامه با استفاده از این تأخیرها برای هر یک از مدلهای GEP و WGEP، چهار مدل مختلف تعریف گردید. با تجزیه و تحلیل کلیه مدلهای GEP و WGEP، مدل برتر شناسایی گردید. مدل برتر یا 4 WGEP مقادیر تراز آب زیرزمینی را با دقت مناسبی شبیهسازی کرد. بهعنوان مثال، مقادیر ضریب همبستگی و ضریب بهرهوری نش-ساتکلیف برای این مدل بهترتیب مساوی با 938/0 و 851/0 محاسبه شدند. مقایسه مدلهای GEP و WGEP نشان داد که تبدیل موجک دقت مدلسازی را بهشکل قابلتوجهی افزایش داد. بهعنوان مثال، ضریب عملکرد مدل برتر WGEP در مقایسه با مدل برتر GEP حدودا 14 برابر افزایش یافت. علاوه بر این، نتایج نشان داد که تاخیرهای شماره (t-1)، (t-2)، (t-3) و (t-4) موثرترین تأخیرهای ورودی بودند. | ||
| کلیدواژه‌ها | ||
| آبخوان آب زیرزمینی؛ تأخیر موثر؛ تبدیل موجک؛ دادههای سری زمانی؛ شبیهسازی | ||
| مراجع | ||
|
اکبرزاده، ف.، حسنپور، ح.، امامقلی زاده، ص.، 1395. پیشبینی تراز آب زیرزمینی دشت شاهرود استفاده از شبکه عصبی مصنوعی تابع پایه شعاعی. مدیریت حوزه آبخیز، دوره ۷، شماره ۱۳، 104-۱۱۸.
ترابی، حسن.، نصرالهی، ع.ح.، دهقانی، ر.، 1398. ارزیابی مدل شبکه عصبی موجک در پیشبینی منابع آب زیرزمینی استان لرستان. هیدروژئولوژی، انتشار آنلاین از تاریخ 24 مهر 1398.
دانشور وثوقی، ف.، 1399. استفاده از رفع نویز موجکی در بررسی روند تراز آب زیرزمینی (مطالعه موردی: دشت اردبیل). هیدروژئولوژی، دوره 5، شماره 1، 61-72.
دانشور وثوقی، ف.، کریمی، ع.، 1397. استفاده از روش‌های پیش پردازش SOM و تبدیل موجک در پیشبینی تراز آب زیرزمینی (مطالعه موردی: دشت آذرشهر). هیدروژئولوژی، دوره 3، شماره 1، 15-32.
نیکبخت، ج.، نوری، س.، 1395. پیشبینی تراز آب زیرزمینی با کمک شبکه‌های موجک-عصبی (مطالعه موردی: دشت مراغه-آذربایجان‌شرقی). هیدروژئولوژی، دوره 1، شماره 1، 29-43.
Azimi, H., Bonakdari, H., Ebtehaj, I., 2019. Gene expression programming-based approach for predicting the roller length of a hydraulic jump on a rough bed. ISH Journal of Hydraulic Engineering, 27: 77-87. Azimi, H., Shiri, H., 2020. Ice-Seabed interaction analysis in sand using a gene expression programming-based approach. Applied Ocean Research, 98: 102-120. Ebtehaj, I., Bonakdari, H., Zaji, A.H., Azimi, H., Sharifi, A., 2015. Gene expression programming to predict the discharge coefficient in rectangular side weirs. Applied Soft Computing, 35: 618-628. Khaki, M., Yusoff, I., Islami, N., 2015. Simulation of groundwater level through artificial intelligence system. Environmental Earth Sciences, 73(12): 8357-8367. Makungo, R., Odiyo, J.O., 2017. Estimating groundwater levels using system identification models in Nzhelele and Luvuvhu areas, Limpopo Province, South Africa. Physics and Chemistry of the Earth, Parts A/B/C. 100: 44-50. Nourani, V., Alami, M.T., Vousoughi, F.D., 2016. Hybrid of SOM-clustering method and wavelet-ANFIS approach to model and infill missing groundwater level data. Journal of Hydrologic Engineering, 21(9): 05016018. Ebrahimi, H., 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. 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. Shiri, J., Sadraddini, A.A., Nazemi, A.H. Kisi, O. Landeras, G., Fard, A.F., Marti, P., 2014. Generalizability of gene expression programming-based approaches for estimating daily reference evapotranspiration in coastal stations of Iran. Journal of hydrology, 508: 1-11. Yoon, H., Hyun, Y., Ha, K., Lee, 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 & Geosciences, 90: 144-155. Zare, M., Koch, M., 2018. Groundwater level fluctuations simulation and prediction by ANFIS-and hybrid Wavelet-ANFIS/Fuzzy C-Means (FCM) clustering models: Application to the Miandarband plain. Journal of Hydro-environment Research, 18: 63-76. Zhang, N., Xiao, C., Liu, B., Liang, X., 2017. Groundwater depth predictions by GSM, RBF, and ANFIS models: a comparative assessment. Arabian Journal of Geosciences, 10. https://doi.org/10.1007/ s12517-017-2954-8.. Ferreira, C., 2001. Gene expression programming: a new adaptive algorithm for solving problems. Complex Systems, 13(2): 87–129. Adamowski, J., Sun, K., 2010. Development of a coupled wavelet transform and neural network method for flow forecasting of non-perennial rivers in semi-arid watersheds. Journal of Hydrology, 390(1–2): 85–91. | ||
|
آمار تعداد مشاهده مقاله: 46 تعداد دریافت فایل اصل مقاله: 40 |
||
