دوره 7، شماره 14 - ( پاییز و زمستان 1395 )                   جلد 7 شماره 14 صفحات 159-166 | برگشت به فهرست نسخه ها

XML English Abstract Print

Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
(2017). Optimal Design of Obsevation Wells in a Groundwater Monitoring Network Using Meta-Heuridtic Genetic Algorithm. J Watershed Manage Res. 7(14), 166-159. doi:10.29252/jwmr.7.14.166
URL: http://jwmr.sanru.ac.ir/article-1-767-fa.html
گنجی خرمدل ناصر، کیخایی فاطمه. طراحی بهینه چاه های مشاهده ای در یک شبکه پایش سطح آب زیرزمینی با استفاده از الگوریتم فوق ابتکاری ژنتیک پ‍‍ژوهشنامه مديريت حوزه آبخيز 1395; 7 (14) :159-166 10.29252/jwmr.7.14.166

URL: http://jwmr.sanru.ac.ir/article-1-767-fa.html

طراحی بهینه چاه های مشاهده ای در یک شبکه پایش سطح آب زیرزمینی با استفاده از الگوریتم فوق ابتکاری ژنتیک
ناصر گنجی خرمدل*، فاطمه کیخایی
چکیده:   (4934 مشاهده)

 به­منظور مدیریت کارا و موثر منابع آب زیرزمینی، برای کاهش حفر چاه­های نمونه­برداری که پر هزینه هستند، شبکه­های پایشیکه به طور مناسبی طراحی شده باشند، می­توانند به عنوان یک گزینه در نظر گرفته شوند. با استفاده از روش­های
بهینه­سازی عددی، معضل به دست آوردن اطلاعات کمی و کیفی با حداقل تعداد چاه­ها و نقاط نمونه­برداری را می­توان مرتفع نمود. برای پایش یک سیستم آبخوان، حفر یک شبکه از چاه­های پایش نیاز است که این امر پرهزینه و پیچیده می­باشد. در سال­های اخیر طراحی این شبکه به­طوری که کارآمد و در عین حال کم هزینه باشد به یک چالش تبدیل شده است. به­منظور کاهش هزینه، سیستم­های پایشی مورد توجه­اند که در شرایط حداقل تعداد نقاط نمونه­برداری، حداکثر دسترسی به داده­های مناسب را داشته باشند. تکنیک­های بهینه­سازی فوق ابتکاری در این زمینه پتانسیل کاربرد بالایی را دارا هستند. در این مقاله منطقه­ای از شمال ایران انتخاب شده تا توانایی الگوریتم ژنتیک (GA) ترکیب شده با کریجینگ و الگوریتم اجزای جمعی (PSO)، جهت بهینه­سازی شبکه مقایسه و ارزیابی گردند، با این شرط که تعداد چاه­های پایش طوری کاهش یابدکه تا حد امکان از کیفیت داده­ها کاسته نشود. نتایج بهینه­سازی نشان داد که در آبخوان آستانه-کوچصفهان تعداد چاه­های مشاهده­ای می­تواند به اندازه 26 درصد (57 به 42 چاه)، کاهش داده شود، بدون اینکه فقدان داده­ای محسوسی ایجاد شود. مقادیر جذر میانگین مربعات خطا RMSE)) برای شبکه بهینه­سازی به روش GA و PSO به­ترتیب برابر 2025/0 و3222/0 متر محاسبه شد. مقایسه مقادیر RMSE روش GA جهت بهینه­سازی نهایی توصیه می­شود.

واژه‌های کلیدی: الگوریتم ژنتیک، الگوریتم اجزای جمعی، آب زیرزمینی، بهینه سازی، شبکه پایش سطح ایستابی، دشت آستانه-کوچصفهان
متن کامل [PDF 573 kb]   (3036 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: تخصصي
دریافت: 1395/11/5 | پذیرش: 1395/11/5
فهرست منابع
1. Cieniawski, S.E., J.W. Eheart and S. Ranjithan. 1995. Using Genetic Algorithm to Solve a Multi Objective Ground water Monitoring Problem. Water Resources. Research, 31: 399-409. [DOI:10.1029/94WR02039]
2. Ganji Khorramdel, N. 2012. Optimizing Groundwater Monitoring Networks Using the Particle Swarm Algorithm. Groundwater Quality sustainability. CRC Press. Chapter, 24: 311-320.
3. Hudak, P.F. and H.A. Loaiciga. 1992. A Location Modeling Approach for Groundwater Monitoring Network Augmentation. Water Resource, 28: 643-649. [DOI:10.1029/91WR02851]
4. Khorsandi, A. 2006. Analyzing on Hydro climatology Balance in Astane-Koochesfahan Plain. Gilan Regional Water Institute, 150 pp (In Persian).
5. Lee, Y.M. and J.H. Ellis.1996. Comparison of Algorithms for Nonlinear Integer Optimization: Application to Monitoring Network Design. Journal of Environmental. Engineering, 122: 524- 531. [DOI:10.1061/(ASCE)0733-9372(1996)122:6(524)]
6. Li, Y. and A.B. Chan Hilton. 2006. Reducing Spatial Sampling in Long-Term Ground-Water Monitoring Using Ant Colony Optimization. International Journal of Computational Intelligence Research, 1: 19-28.
7. Olea, R. and J. Davis. 1999a. Optimizing the High Plains Aquifer Water-Level Observation Network, K.G.S. Open File Report, 15 pp.
8. Olea, R. and J. Davis. 1999b. Sampling Analysis and Mapping of Water Levels in the High Plains Aquifer of Kansas, K.G.S. Open File Report, 11 pp.
9. Reed, P.M., B.S. Minsker and A.J. Valocchi. 2000. Cost-Effective Long-Term Groundwater Monitoring Design Usinga Genetic Algorithm and Global Mass Interpolation. Water Resources Research, 36: 3731-3741. [DOI:10.1029/2000WR900232]
10. Ridley, M.N., V.M. Johnson and R.C. Tuckfield. 1995. Cost-Effective Sampling of Groundwater Monitoring Wells Lawrence Livermore National Laboratory, Livermore, CA. UCRL-JC-118909. 14 pp.
11. Rouhani, S. 1985. Variance Reduction Analysis. Water Resources Research, 21: 837- 846. [DOI:10.1029/WR021i006p00837]
12. Rouhani, S. and T.J. Hall.1988. Geostatistical Schemes for Groundwater Sampling. Journal of Hydrology, 103: 85-120. [DOI:10.1016/0022-1694(88)90007-8]
13. Wu, J., C. Zheng and C.C. Chien. 2005. Cost-Effective Sampling Network Design for Contaminant Plume Monitoring under General Hydro geological Conditions. Journal of Contaminant Hydrology, 77: 41-65. [DOI:10.1016/j.jconhyd.2004.11.006]
14. Yeh, M.S., Y.P. Lin and L.C. Chang. 2006. Designing an Optimal Multivariate Geostatistical Groundwater Quality Monitoring Network Using Factorial Kriging and Genetic Algorithms, Environmental Geology, 50: 101-121. [DOI:10.1007/s00254-006-0190-8]
ارسال نظر درباره این مقاله : نام کاربری یا پست الکترونیک شما:
CAPTCHA
بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.

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

طراحی و برنامه نویسی : یکتاوب افزار شرق

© 2025 CC BY-NC 4.0 | Journal of Watershed Management Research

Designed & Developed by : Yektaweb