دوره 11، شماره 21 - ( بهار و تابستان 1399 )                   جلد 11 شماره 21 صفحات 223-235 | برگشت به فهرست نسخه ها

XML English Abstract Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Hosseini M, Roshani A, zabbah I. Modeling of Groundwater Fluctuations Based on Artificial Intelligence Methods (Case study: Zawah-Torbat Heidarieh plain). jwmr. 2020; 11 (21) :223-235
URL: http://jwmr.sanru.ac.ir/article-1-968-fa.html
حسینی مرجان، روشنی علیرضا، ذباح ایمان. مدل‌سازی تغییرات سطح آب زیرزمینی بر اساس روش های مبتنی بر هوش مصنوعی (مطالعه موردی: دشت زاوه تربت‌حیدریه). پ‍‍ژوهشنامه مديريت حوزه آبخيز. 1399; 11 (21) :223-235

URL: http://jwmr.sanru.ac.ir/article-1-968-fa.html


گروه مهندسی آب، دانشگاه آزاد اسلامی تربت‌حیدریه، تربت‌حیدریه، ایران
چکیده:   (226 مشاهده)
    منابع آب زیرزمینی یکی از مهمترین منابع آبی هر کشور می‌باشد که شناخت صحیح و بهره برداری اصولی از آن می‌تواند در توسعه پایدار فعالیت­ های اجتماعی و اقتصادی یک منطقه بویژه در مناطق خشک و نیمه‌خشک نقش بسزایی داشته باشد. پیش‌بینی نوسان ­های سطح آب زیرزمینی برای مدیریت آب، امر ضروری می‌باشد. منطقه مورد مطالعه با گستره‌ای حدود 2504 کیلومترمربع در شمال کویر نمک، در جنوب شهر مشهد واقع است. هدف از این پژوهش، مدل­سازی تغییرات سطح آب زیرزمینی دشت زاوه- تربت‌حیدریه با استفاده از شبکه‌های عصبی پرسپترون چندلایه با الگوریتم پس انتشار خطا و شبکه عصبی LVQ می ­باشد. به­ همین ‌منظور جهت آموزش مدل، از اطلاعات 18 پیزومتر که دارای آمار 20 ساله (1395-1375) بودند، مستخرج و توسط محقیقن این پژوهش از سازمان آب منطقه­ ای استان خراسان رضوی جمع­ آوری شدند و پس از پیش پردازش، در این مطالعه مورد استفاده قرار گرفت. هریک از پیزومترها با تاخیر زمانیt0-1  (ماه قبل) به صورت ماهانه ثبت شده و در هر پیزومتر، هفت پارامتر، ورودی­های سیستم را تشکیل    می­ دهند. جهت ارزیابی خطای سیستم از روش حداقل مربعات خطا (RMSE) محاسبه‌شده است. مقدار تراز آب زیرزمینی نیز تنها خروجی این شبکه عصبی را شامل می‌شود. براین اساس نتایج این تحقیق نشان داد که شبکه عصبی مصنوعی با الگوریتم­های آموزشی آموزشی Gradient Descent, Gradient Descent with Momentum, Levenberg Marquardt قادر به پیش‌بینی سطح آب زیرزمینی به صورت ماهانه بادقت (RMSE=0/0012 (R2=0/9810, در مرحله آموزش و با دقت (RMSE=0/021 R2 = 0/9622,) در مرحله آزمون در محدوده مورد مطالعه است.
 
 
متن کامل [PDF 1484 kb]   (39 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: مديريت حوزه های آبخيز
دریافت: 1397/7/18 | ویرایش نهایی: 1399/6/14 | پذیرش: 1398/11/12 | انتشار: 1399/6/14

ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA

ارسال پیام به نویسنده مسئول


کلیه حقوق این وب سایت متعلق به (پژوهشنامه مدیریت حوزه آبخیز (علمی-پژوهشی می باشد.

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2020 All Rights Reserved | Journal of Watershed Management Research

Designed & Developed by : Yektaweb