مدل سازی و تخمین تراز سطح آب زیرزمینی با استفاده مدل دسته بندی گروهی داده ها (مطالعه موردی: چاه های پری و بوندویل دشت ایلینوی آمریکا)
محل انتشار: مهندسی آبیاری و آب ایران، دوره: 13، شماره: 0
سال انتشار: 1402
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 80
فایل این مقاله در 21 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WATER-13-0_016
تاریخ نمایه سازی: 3 آبان 1402
چکیده مقاله:
در این تحقیق به توسعه مدل دسته بندی گروهی داده ها جهت تخمین سطح آب زیرزمینی پرداخته شد. بدین منظور از اطلاعات روزانه (۲۱ سال اخیر) دو چاه مشاهده ای حفرشده در دشت ایلینوی آمریکا استفاده گردید. توسعه مدل GMDH بر اساس دو رهیافت مدل مرسوم و مدل دسته بندی فازی عصبی گروهی داده ها NF-GMDH انجام گرفت. آموزش مدل های ذکرشده با استفاده از الگوریتم کمترین مربعات خطا و همچنین الگوریتم بهینه سازی ازدحام ذرات (PSO) انجام شد. در طراحی الگوی متغیرهای ورودی از تاخیرهای زمانی (تا پنج واحد) داده های مربوط به سطح آب زیرزمینی در این چاه ها استفاده شد. نتایج این تحقیق نشان داد که مدل GMDH سطح آب زیرزمینی در چاه بوندویل را با شاخص های آماری خطا شاملR^۲=۰.۹۸ و ریشه میانگین مربعات خطا RMSE=۰.۳۳۳ و متوسط درصد خطای مطلق MAPE=۹.۹% و در چاه پری متوسط با R^۲=۰.۹۹ ، RMSE=۰.۶۴ و MAPE=۱۲% در مرحله صحت سنجی پیش بینی نماید. نتایج توسعه مدل NF-GMDH نشان داد که دقت توسعه مدل GMDH بر مبنای رهیافت عصبی فازی نیز دارای دقتی مناسب و در حد مدل GMDH است. دقت هر دو مدل GMDH و NF-GMDH با افزایش سطح سطح آب زیرزمینی افزایش می یابد به طوری که مقادیر حداکثر سطح آب زیرزمینی دقیق پیش بینی می شود حال آنکه هر دو مدل در تخمین مقادیر کم سطح آب زیرزمینی دارای خاصیت بیش پیش بینی هستند
کلیدواژه ها:
نویسندگان
امیر عباس جهان آرا
گروه مهندسی آب، دانشگاه فردوسی مشهد
سعید رضا خداشناس
گروه مهندسی آب، دانشگاه فردوسی مشهد
محمد نجف زاده
گروه آب، دانشکده مهندسی عمران و نقشه برداری، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته کرمان
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :