CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)

مدل سازی کیفی منابع آب زیرزمینی با استفاده از شبکه عصبی مصنوعی و الگوریتم بهینه سازی گرگ خاکستری: مورد مطالعه دشت کبودرآهنگ، همدان، ایران

عنوان مقاله: مدل سازی کیفی منابع آب زیرزمینی با استفاده از شبکه عصبی مصنوعی و الگوریتم بهینه سازی گرگ خاکستری: مورد مطالعه دشت کبودرآهنگ، همدان، ایران
شناسه ملی مقاله: JR_JEHE-11-1_002
منتشر شده در در سال 1402
مشخصات نویسندگان مقاله:

مهدی پیرزاد - M.Sc. in Environmental Engineering, Department of Environmental Engineering, College of Engineering, Hamedan Branch, Islamic Azad University, Hamedan, Iran.
سهیل سبحان اردکانی - Ph.D. in Environmental Science, Professor in Environmental Science, Department of the Environment, College of Basic Sciences, Hamedan Branch, Islamic Azad University, Hamedan, Iran.

خلاصه مقاله:
زمینه و هدف: : امروزه با توجه به تغییرات اقلیمی و کاهش نزولات جوی در سطح کشور و به خصوص استان همدان، نرخ دسترسی به منابع آب سطحی کاهش یافته و لذا، میزان برداشت از منابع آب زیرزمینی به شدت افزایش یافته است که این موضوع موجب تغییر در کیفیت این منابع برای مصارف گوناگون شده است. در نتیجه، لزوم پایش کیفی منابع آب زیرزمینی نیز اهمیت دوچندانی یافته است. از این رو، در این پژوهش با استفاده از مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم فراابتکاری گرگ خاکستری نسبت به مدل سازی کیفی منابع آب زیرزمینی دشت کبودرآهنگ واقع در شمال غربی استان همدان در سال ۱۴۰۱ اقدام شد. مواد و روش ها: در این پژوهش، داده های کیفی منابع آب زیرزمینی مربوط به چاه های دشت کبودرآهنگ به سه بخش آموزش (%۷۰)، اعتبارسنجی (%۱۵) و آزمون (%۱۵) تقسیم و با استفاده از مدل ترکیبی شبکه عصبی مصنوعی و الگوریتم فراابتکاری گرگ خاکستری مدل سازی کیفی منابع آب زیرزمینی دشت کبودرآهنگ انجام شد. یافته ها: نتایج نشان داد که مدل ارائه شده قابلیت بالایی در پیش بینی کیفیت آب زیرزمینی بر اساس سه متغیر pH، EC و TDS داشته است. مقدار ۰/۹۹۷۵ = R نشان دهنده پیشگویی بالای متغیرها بود. نتایج حاصل از پیاده سازی شبکه عصبی مصنوعی بیان گر صحت بالا و همچنین قابلیت بالای پیش بینی و خطای اندک مدل بود که این خطا با کمک الگوریتم گرگ خاکستری کاهش یافت. بنابراین، می توان اذعان داشت علی رغم این که الگوریتم شبکه عصبی مصنوعی تا حد بالایی قادر به پیش بینی کیفیت آب زیرزمینی در منطقه مورد مطالعه بود، الگوریتم گرگ خاکستری با کاهش خطای پیش بینی، این عملکرد را تکمیل و مقدار بهینگی مدل را افزایش داد. نتیجه گیری: الگوریتم های شبکه عصبی مصنوعی و بهینه سازی گرگ خاکستری مکمل هم بوده و عملکرد خوبی برای پیش بینی تغییرات کیفی منابع آب زیرزمینی از خود نشان می دهند.

کلمات کلیدی:
Groundwater quality, Intelligent data modeling, Artificial neural network, Gray wolf algorithm, Kabudarahang Plain, کیفیت آب زیرزمینی, مدل سازی هوشمند داده ها, شبکه عصبی مصنوعی, الگوریتم گرگ خاکستری, دشت کبودرآهنگ

صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1969274/