آمار
| تعداد نشریات | 43 |
| تعداد شماره‌ها | 1,224 |
| تعداد مقالات | 15,037 |
| تعداد مشاهده مقاله | 50,566,962 |
| تعداد دریافت فایل اصل مقاله | 13,659,262 |
شبیهسازی تراز، کلر و بیکربنات آب زیرزمینی توسط ماشین آموزش ترکیبی | ||
| هیدروژئولوژی | ||
| مقاله 8، دوره 6، شماره 1، شهریور 1400، صفحه 99-113 اصل مقاله (2.55 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/hydro.2021.14116 | ||
| نویسندگان | ||
| علی عزیزپور1؛ محمد علی ایزدبخش* 2؛ سعید شعبانلو3؛ فریبرز یوسفوند2؛ احمد رجبی2 | ||
| 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 | ||
| در این مطالعه، دو مدل فرا ابتکاری هوش مصنوعی برای شبیهسازی دادههای سری زمانی پارامترهای کمی (نوسانات تراز آب زیرزمینی) و کیفی (کلر و بیکربنات) آب زیرزمینی درون یک چاه مشاهداتی واقع در شهر کرمانشاه، ایران، از سال 2005 تا 2018 بهصورت ماهانه ارائه شد. برای تعریف مدل هیبریدی هوش مصنوعی، ماشین آموزش نیرومند (ELM)، الگوریتم تکامل تفاضلی (DE) و تبدیل موجک با هم ترکیب شدند و مدلهای ماشین آموزش نیرومند خود تطبیقی (SAELM) و موجک-ماشین آموزش نیرومند خود تطبیقی (WSAELM)ارائه شدند. لازم به ذکر است که برای شناسایی تأخیرهای موثر دادههای سری زمانی از تابع خود همبستگی استفاده گردید. علاوه بر این، 70 درصد دادههای مشاهداتی برای آموزش مدلهای هوش مصنوعی و 30 درصد باقیمانده برای تست آنها استفاده شدند. سپس، با استفاده از این تأخیرهای موثر، مدلهای مختلفی برای الگوریتمهای هیبریدی SAELM و WSAELM تعریف شدند. سپس با اجرای یک تحلیل حساسیت، مدلهای برتر برای مدلسازی تراز آب زیرزمینی، کلر و بیکربنات معرفی شدند. بهعنوان مثال، برای مدل برتر WSAELM جهت شبیهسازی نوسانات آب زیرزمینی، مقادیر ضریب همبستگی (R)، شاخص عملکرد (VAF) و ضریب نش (NSC) بهترتیب مساوی با 988/0، 450/97 و 973/0 بهدست آمدند. لازم به ذکر است که برای پیشبینی HCO3 نیز تأخیرهای (t-1)، (t-2)، (t-3) و (t-4) بهعنوان موثرترین تأخیرهای دادههای سری زمانی شناسایی شدند. با اجرای یک تحلیل عدم قطعیت نشان داده شد که مدل برتر مقادیر Cl و HCO3 کمتر از واقعی شبیهسازی کرد اما مدل برتر مقادیر تراز آب زیرزمینی را با عملکردی بیشتر از مقدار واقعی پیشبینی نمود. | ||
| کلیدواژه‌ها | ||
| الگوریتم تکامل تفاضلی؛ بیکربنات؛ تبدیل موجک؛ کلر؛ ماشین آموزش؛ نوسانات آب زیرزمینی | ||
| مراجع | ||
|
ترابی، ح، 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.
Sivapragasam, C., Kannabiran, K., Karthik G., Raja, S., 2015. Assessing suitability of GP modeling for groundwater level. Aquatic Procedia, 4: 693-699. 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. 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. Malekzadeh, M., Kardar, S., Shabanlou, S., 2019. Simulation of groundwater level using MODFLOW, extreme learning machine and Wavelet-Extreme Learning Machine models. Groundwater for Sustainable Development, 9: 100279. https://doi.org/10.1016/j.gsd.2019.100279. Huang, S., Liu, C., Wang, Y., Zhan, H., 2014. Multivariate analysis of the heterogeneous geochemical processes controlling arsenic enrichment in a shallow groundwater system. Journal of Environmental Science and Health, Part A, 49(4): 478-489. Barzegar, R., Fijani, E., Moghaddam, A.A., Tziritis, E., 2017. Forecasting of groundwater level fluctuations using ensemble hybrid multi-wavelet neural network-based models. Science of The Total Environment, 599: 20-31. Kisi, O., Keshavarzi, A., Shiri, J., Zounemat-Kermani, M., Omran, E.S.E., 2017. Groundwater quality modeling using neuro-particle swarm optimization and neuro-differential evolution techniques. Hydrology Research, 48(6): 1508-1519. Mohammadrezapour, O., Kisi, O., Pourahmad, F., 2018. Fuzzy c-means and K-means clustering with genetic algorithm for identification of homogeneous regions of groundwater quality. Neural Computing and Applications, 32: 363-375. RadFard, M., Seif, M., Hashemi, A.H.G., Zarei, A., Saghi, M.H., Shalyari, N., Samaei, M.R., 2019. Protocol for the estimation of drinking water quality index (DWQI) in water resources: Artificial neural network (ANFIS) and Arc-Gis. MethodsX, 6: 1021-1029. Huang, G.B., Zhu, Q.Y., Siew, C.K., 2006. Extreme learning machine: theory and applications. Neurocomputing, 70(1): 489-501. Cao, J., Lin, Z., Huang, G.B., 2012. Self-adaptive evolutionary extreme learning machine. Neural Process. Lett. 36, 285–305. Storn, R., Price, K., 1997. Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces. Journal of global optimization, 11(4): 341-359. Huang, G.B., Zhou, H., Ding, X., Zhang, R., 2012. Extreme learning machine for regression and multiclass classification. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 42(2): 513-529. Azimi, H., Bonakdari, H., Ebtehaj, I., Gharabaghi, B., Khoshbin, F., 2018. Evolutionary design of generalized group method of data handling-type neural network for estimating the hydraulic jump roller length. Acta Mechanica, 229(3): 1197-1214. | ||
|
آمار تعداد مشاهده مقاله: 209 تعداد دریافت فایل اصل مقاله: 140 |
||