تعداد نشریات | 44 |
تعداد شمارهها | 1,303 |
تعداد مقالات | 16,047 |
تعداد مشاهده مقاله | 52,589,895 |
تعداد دریافت فایل اصل مقاله | 15,269,098 |
مدلسازی تراز آب زیرزمینی با بهرهگیری از مدل هیبرید موجک- شبکه عصبی مصنوعی (مطالعه موردی: دشت شریفآباد) | ||
نشریه مهندسی عمران و محیط زیست دانشگاه تبریز | ||
مقاله 5، دوره 44.4، شماره 77، اسفند 1393، صفحه 51-63 اصل مقاله (1.09 M) | ||
نوع مقاله: مقاله کامل پژوهشی | ||
نویسندگان | ||
طاهر رجایی* ؛ اکرم زینی وند | ||
گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه قم | ||
چکیده | ||
منابع آب زیرزمینی یکی از مهمترین منابع تأمین آب میباشند، از اینرو مدلسازی آنها بسیار حائز اهمیت میباشد. ارزیابی و پیشبینی تراز آب زیرزمینی به پیشبینی منابع آب زیرزمینی کمک میکند. هدف این مطالعه ارزیابی عملکرد سه مدل رگرسیون خطی چندمتغیره (MLR)، مدل هیبرید موجک- شبکه عصبی (WNN) و شبکه عصبی مصنوعی (ANN) در پیشبینی سطح آب زیرزمینی (GWL)، بر مبنای دو معیار ریشه خطای مربع متوسط (RMSE) و ضریب کارایی نش- ساتکلیف (E) میباشد. دادههای استفاده شده در این پژوهش مربوط به دو حلقه چاه مشاهدهای در حوضه آبریز شریفآباد استان قم هستند. مدلسازی تراز آب زیرزمینی چاهها با استفاده از دادههای تراز آب زیرزمینی 15 سال و 6 ماه، برای پیشبینی تراز 19 ماهه دوره آزمون انجام شده است. نتایج نشان دادهاند که مدل موجک- شبکه عصبی تطابق بهتری با مقادیر مشاهدهای تراز آب زیرزمینی دارد. | ||
کلیدواژهها | ||
دشت شریفآباد؛ تراز آب زیرزمینی؛ شبکه عصبی مصنوعی؛ تبدیل موجک؛ رگرسیون خطی چند متغیره | ||
مراجع | ||
[1] Yang, Z. P., Lu, W. X., Long, Y. Q., Li, P. "Application and Comparison of Two Prediction Models for Groundwater Levels: A Case Study in Western Jilin Province, China", Journal of Arid Environments, 2009, 73, 487-492.
[2] Banerjee, P., Singh, V. S., Chatttopadhyay, K., Chandra, P. C., Singh, B., ''Artificial Neural Network Model as a Potential Alternative for Groundwater Salinity Forecasting'', Journal of Hydrology, 2011, 398, 212-220.
[3] Hwa Cho, K., Sthiannopkao, S., A. Pachepsky, Y., Kim, K. W., Ha Kim, J., ''Prediction of Contamination Potential of Groundwater Arsenic in Cambodia, Laos, and Thailand using artificial neural network'', Water Research, 2011, 45, 5535-5544.
[4] Taormina, R., Chau, K. W., Sethi, R., '' Artificial Neural Network Simulation of Hourly Groundwater Levels in a Coastal Aquifer System of the Venice Lagoon'', Engineering Applications of Artificial Intelligence, 2012, 25, 1670-1676.
[5] Mohanty, S., Jha, M., Kumar, A., Panda, D. K., '' Comparative Evaluation of Numerical Model and Artificial Neural Network for Simulating Groundwater Flow in Kathajodi-Suru Inter-basin of Odisha, India'', Journal of Hydrology, 2013, 495, 38-51.
[6] Rajaee, T., Mirbagheri, S. A.,"Suspended Sediment Modeling in Rivers Using Artificial Neural Networks", Journal of Civil Engineering, 2009, 21 (1), 23-47.
[7] Fallah-Mehdipour, E., Bozorg Haddad, O., Marin, M. A., ''Prediction and Simulation of Monthly Groundwater Levels by Genetic Programming'', Journal of Hydro-Environment Research, 2013, 1-8.
[8] Nikmanesh, M., Rakhshanderoo, Gh., "Forecasting Groundwater Level In Saadat-Shahr Plain, Iran, Using Artificial Neural Networks", Journal of Iran-Water Resources Research, 2011, 7 (1), 82-86.
[9] Mohtasham, M., Dehghani, A. A., Akbarpur, A., Meftah, M., Etebari, B., ''Groundwater Level Determination by Using Artificial Neural Network (Case study: Birjand Aquifer)'', Iranian Journal of Irrigation and Drainage, 2010, 4 (1), 1-10.
[10] Mokhtari, Z., Nazemi, A. H., Nadiri, A. A., ''Predicting Groundwater Level using Artificial Neural Network Model (Case Study: SHABESTAR Aquifer)'', Quarterly of Applied Geology, 2012, 4, 345-353.
[11] Rajaee, T., Nourani, V., Zounemat-Kermani, M., Kisi, O., ''River Suspended Sediment Load Prediction: Application of ANN and Wavelet Conjunction Model'' Journal of Hydrologic Engineering, 2011, 16 (8), 613-627.
[12] Wang, Y., XiaohuiLei, H., XinshanSong, Y., ''Flood Simulation using Parallel Genetic Algorithm Integrated Wavelet Neural Networks'', Neurocomputing, 2011, 74, 2734-2744.
[13] Nourani, V., Kisi, O., Komasi, M., ''Two Hybrid Artificial Intelligence Approaches for Modeling Rainfall-Runoff Process'', Journal of Hydrology, 2011, 402, 41-59.
[14] Rajaee, T., ''Wavelet and ANN Combination Model for Prediction of Daily Suspended Sediment Load in Rivers'', Science of The Total Environmental, 2011, 409, 2917-2928.
[15] Adamowski, J., Chan, H. F., ''A Wavelet Neural Network Conjunction Model for Groundwater Level Forecasting'', Journal of Hydrology, 2011, 407, 28-40.
[16] Rajaee, T., Mirbagheri, S. A., Nourani, V., Alikhani, A., ''Prediction of Daily Suspended Sediment Load Using Wavelet and Neuro-Fuzzy Combined Model'', International Journal of Environmental Science and Technology, 2010, 7 (1), 93-110.
[17] Nakhaee, M., Saberi Nasr, A., ''Predicting Groundwater Level Fluctuations of GHARVE Aquifer using Wavelet-Neural Network and comparing with MODFLOW Numerical Model'', Journal of Developed Applied Geology, 2012, 1 (4), 47-58,
[18] Fathi, B., "Prediction of Groundwater Level Fluctuations using combined models Wavelet -Adaptive Fuzzy-Neural Network and Wavelet-Neural Network and Linear Model", MSc Thesis Sharif University of Technology 2012.
[19] Nayak, P. C., Venkatesh, B., Krishna, B., Jain, S. K., ''Rainfall-Runoff Modeling using Conceptual, Data Driven, and Wavelet Based Computing Approach'', Journal of Hydrology, 2013, 493, 57-67.
[20] Polikar, R., ''Fundamental Concepts and Overview of the Wavelet Theory'', 2nd Edition, 1996. | ||
آمار تعداد مشاهده مقاله: 3,004 تعداد دریافت فایل اصل مقاله: 3,341 |