بهینه‌سازی چند هدفه شبکه پایش آب‌های زیرزمینی با بهره‌گیری از الگوریتم ژنتیک(NSGA-II) و روش‌ کریجینگ بیزین تجربی(EBK) (مطالعه موردی دشت سیلاخور)

سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 430

فایل این مقاله در 17 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_WATER-11-3_012

تاریخ نمایه سازی: 18 فروردین 1400

چکیده مقاله:

پژوهش حاضر به توسعه یک مدل بهینه شبکه پایش با دو هدف کمینه کردن هزینه­های پایش شبکه و بیشینه نمودن دقت مکانی شبکه پایش بر اساس کمینه کردن مقدار جذر میانگین خطا پرداخته است. به عنوان مطالعه موردی، طراحی بهینه شبکه پایش آب­های زیرزمینی در دشت سیلاخور واقع در استان لرستان مورد ارزیابی قرار گرفته است. بدین منظور داده­های مورد استفاده در این پژوهش بر اساس روش کریجینگ بیزین تجربی(EBK) در محیط نرم­افزار ArcGIS تولید و توابع هدف و فرآیند بهینه سازی در محیط نرم­افزار Matlab کد نویسی شد تا بر اساس قیود درنظر گرفته شده در نسخه دوم الگوریتم ژنتیک(NSGA-II) بتوان بهینه­ترین حالت شبکه را شناسایی نمود. مدل بهینه، از روش درون­یابی وزن­دهی معکوس فاصله(IDW) برای تولید سطح آب زیرزمینی استفاده می­نماید و سپس با مقادیر داده­های مشاهداتی مقایسه می­گردد. نتایج بدست آمده از پژوهش کفایت یک شبکه با دوازده ایستگاه پایش را با توزیع مکانی بهینه برای آبخوان دشت سیلاخور مناسب می­داند در حالی که شبکه پایش فعلی بیست و نه ایستگاه پایش دارد. همچنین مقدار جذر میانگین مربعات خطا(RMSE) برای شبکه بهینه 605/0 متر برآورد گردید. شبکه پایش بهینه در مقایسه با شبکه مشاهداتی موجود توانسته است تعداد ایستگاه­های شبکه پایش به میزان 60 درصد کاهش داده، توزیع مکانی ایستگاه­ها را بهبود ببخشد و پهنه­بندی مناسبی را نیز برای نقاط فاقد آمار پیش­بینی نماید.

نویسندگان

مهدی کماسی

دانشیار، دکتری مهندسی آب و سازههای هیدرولیکی ،گروه مهندسی عمران، دانشگاه آیت اله بروجردی(ره)، بروجرد، ایران

حسام گودرزی

دانشجو، کارشناسی ارشد مهندسی آب و سازههای هیدرولیکی، گروه مهندسی عمران، دانشگاه آیت اله العظمی بروجردی(ره)، بروجرد، ایران

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 :