ارزیابی مقایسه ای مدل عددی و شبکه عصبی مصنوعی در شبیه سازی کمی و کیفی آبخوان دشت نجف آباد
محل انتشار: فصلنامه دانش آب و خاک، دوره: 31، شماره: 1
سال انتشار: 1400
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 221
فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
این مقاله در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_WASO-31-1_006
تاریخ نمایه سازی: 24 دی 1401
چکیده مقاله:
هدف از انجام این مطالعه، بررسی کارایی مدل شبکه عصبی (ANN) در مدل سازی کمی و کیفی منابع آب زیرزمینی می باشد. بدین منظور، با استفاده از گزینه های MODFLOW وMT۳DMS نرم افزار GMS v.۱۰، از نظر کمی و کیفی، آب موجود در آبخوان دشت نجف آباد، واقع در حوضه آبریز گاوخونی در فلات مرکزی ایران، مدلسازی شد. بعد از واسنجی و صحت سنجی مدل در یک دوره مطالعه ۱۱ ساله، محدوده تغییر ضریب هدایت هیدرولیکی بین ۵/۰ تا ۱۶ (متر در روز)، آبدهی ویژه بین ۰۲۳/۰ تا ۱۱۳/۰ و ضریب پخشیدگی طولی بین ۵/۷ تا ۲/۱۸ (متر) بدست آمد. سپس، منطقه مورد مطالعه به دو ناحیه مجزا تقسیم و برای هر کدام یک مدل شبکه عصبی، طراحی شد. در ادامه، با استفاده از آمار ۲۰ سال آبی و به کمک بهینه ساز الگوریتم ژنتیک، پارامتر های بهینه شبکه عصبی تعیین گردید. نهایتا، مقادیر مشاهده ای تراز متوسط سطح ایستابی و میانگین غلظت TDS با مقادیر محاسباتی توسط مدل عددی و شبکه عصبی، برای دو سال آبی متوالی ۹۴-۱۳۹۳ و ۹۵-۱۳۹۴، با یکدیگر مقایسه شدند. نتایج نشان داد که شبکه عصبی به خوبی قادر است رفتار کمی و کیفی سیستم آب زیرزمینی را شبیه سازی کند و می تواند به عنوان جایگزین مناسبی برای مدل عددی در اتصال به مدل های مدیریتی، استفاده شود.
کلیدواژه ها:
نویسندگان
معصومه زارع
دانشجوی دکترای مدیریت منابع آب، دانشکده مهندسی عمران و معماری، دانشگاه شهید چمران هواز
حمیدرضا غفوری
استاد مدیریت منابع آب، دانشکده مهندسی عمران و معماری، دانشگاه شهید چمران اهواز
حمیدرضا صفوی
استاد مدیریت منابع آب، دانشکده مهندسی عمران، دانشگاه صنعتی اصفهان
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 :