بهینه سازی و پیش بینی روند تغییرات پارامترهای کیفی آب زیرزمینی دشت دزفول با استفاده از دو مدل ANN+PSO و ANN+P-PSO

زمینه و هدف: برآورد و پیش بینی پارامترهای کیفی آب زیرزمینی به منظور تصمیم گیری های مدیریتی یکی از اهداف مدیران و برنامه ریزان منابع آب تلقی می گردد. در این راستا تعداد زیادی مدل در زمینه مدیریت بهتر برای حفظ کیفیت آب گسترش یافته است. بیش تر این مدل ها نیازمند پارامترهای ورودی هستند که یا دسترسی به آن ها مشکل است و یا اینکه اندازه گیری آن ها محتاج صرف هزینه و زمان زیادی می باشد.  در این میان مدل های شبکه عصبی مصنوعی که با الهام از ساختار مغز بشر عمل می نمایند، به عنوان گزینه ای برتر  معرفی می شوند. روش بررسی: پژوهش حاضر به منظور شبیه سازی پارامترهای کیفی آب زیرزمینی دشت دزفول شامل SAR ، EC و TDS با استفاده از مدل های ANN+PSO و ANN+P-PSO و درنهایت مقایسه نتایج آن ها با داده های اندازه گیری شده ، انجام گرفته است. اطلاعات ورودی   به مدل ها برای پارامتر کیفی TDS شامل هدایت الکتریکی، نسبت جذبی سدیم، اسیدیته، سولفات، کلسیم، منیزیم و سدیم و برای پارامتر کیفی SAR شامل مقدار کل نمک های محلول، اسیدیته، سدیم، بی کربنات و برای پارامتر کیفی EC شامل سولفات، کلسیم، منیزیم، نسبت جذبی سدیم و اسیدیته، از سال ۱۳۹۰ تا ۱۳۹۴ جمع آوری شده است. یافته ها: نتایج نشان داد بالاترین دقت پیش بینی پارامترهای کیفی SAR ، EC و TDS مربوط به مدل ANN+P-PSO می باشد به طوری که مقدار آماره های   و  کم ترین مقدار و  بیش ترین مقدار را برای مدل مذکور دارد. مقدار  RMSE در مرحله تست برای الگوریتم PSO در پیش بینی SAR ، EC و TDS به ترتیب برابر ۰۹/۰، ۰۴۵/۰ (میکرو زیمنس بر سانتی متر) و ۰۵۳/۰ (میلی گرم بر لیتر) به دست آمد. این آماره برای الگوریتم P-PSO در پیش بینی SAR ، EC و TDS به ترتیب برابر ۰۳۹/۰، ۰۳۱/۰ (میکرو زیمنس بر سانتی متر) و ۰۴۵/۰ (میلی گرم بر لیتر) تعیین شدند. بحث و نتیجه گیری:  نتایج نشان داد که الگوریتم P-PSO از دقت بیش تری نسبت به الگوریتم PSO برخوردار بود. همچنین با توجه به این که تفاوت آماری معنی داری بین داده های اندازه گیری شده و شبیه سازی شده وجود نداشت؛ پیشنهاد می شود از شبکه عصبی مصنوعی برای شبیه سازی پارامترهای کیفی در منابع آب زیرزمینی استفاده شود.  

کلیدواژه ها:

الگوریتم بهینه سازی تجمع ذرات ، پیش بینی ، دزفول ، کیفیت آب