فریبرز یوسفوند - ۱. Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran.
سعید شعبانلو - ۱. Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran.

در این مطالعه، سطح آب زیرزمینی در منطقه سراب قنبر- واقع در جنوب شهر کرمانشاه، کشور ایران- با استفاده از مدل موجک ماشین آموزش نیرومند خودتطبیقی (WA-SAELM) تخمین زده شد. برای توسعه مدل عددی از روش هوش مصنوعی و جدید ماشین آموزش نیرومند خودتطبیقی و تبدیل موجک استفاده شد. در ابتدا، با استفاده از تابع خودهمبستگی، خودهمبستگی نسبی و تاخیرهای موثر، هشت مدل مختلف SAELM و WA-SAELM متمایز توسعه داده شدند، سپس مقادیر تراز آب زیرزمینی چاه مشاهداتی نرمالسازی شدند. در ادامه، با تجزیهوتحلیل نتایج مدلسازی، بهینهترین خانواده موجک برای مدلسازی انتخاب شد. با ارزیابی نتایج مدلهای SAELM و WA-SAELM مشخص شد که مدلهای WA-SAELM در مقایسه با مدلهای SAELM مقادیر تابع هدف را با دقت بیشتری تخمین زدند. سپس مدل برتر بر اساس دقت آن در پیشبینی تراز آب زیرزمینی انتخاب شد. بهعنوان مثال در حالت تست، مقادیر R، MAE و NSC برای مدل برتر بهترتیب برابر ۹۹۵/۰، ۹۸۸/۰ و ۹۹۰/۰ محاسبه شدند. همچنین برای مدلهای عددی، تحلیل عدم قطعیت انجام و نشان داده شد که مدل برتر مقادیر مشاهداتی را کمتر از مقدار واقعی تخمین زده است.

Groundwater level, Self- Adaptive Extreme Learning Machine (SAELM), Uncertainty analysis, Wavelet transform, تراز آب زیرزمینی, ماشین آموزش نیرومند خودتطبیقی, تحلیل عدم قطعیت, تبدیل موجک