ارزیابی مدل هوشمند در برآورد هدایت الکتریکی آب های زیرزمینی (مطالعه موردی: دشت راین)

سال انتشار: 1401
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 64

فایل این مقاله در 14 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_NFAG-16-32_001

تاریخ نمایه سازی: 10 مرداد 1402

چکیده مقاله:

در این مطالعه کارآمدی روش هوشمند سیستم استنتاج عصبی فازی تطبیقی ANFIS-FCM در پیش­بینی هدایت­الکتریکی در آب­های زیرزمینی ناشی از پارامتر­های فیزیکی و شیمیایی در دشت راین ارزیابی شد. بدین منظور، ۲۹ نمونه آب از چاه و چشمه­های دشت­ برداشت و داده­ها در آزمایشگاه مورد آنالیز شیمیایی قرار گرفت. آمارهای توصیفی داده­ها و ماتریس همبستگی پارامترهای مورد مطالعه با استفاده از نرم­افزار SPSS بدست آمد. با تشکیل ماتریس همبستگی، مشخص گردید که پتاسیم (K+)، سدیم (Na+)، کلسیم (Ca۲+)، منیزیم (Mg۲+)، کلر (Cl-)، سولفات (SO۴۲-)، کل مواد جامد محلول (TDS)، سختی کل (TH)، نسبت به سایر پارامترهای موجود، بیشترین همبستگی را با هدایت­الکتریکی (EC) دارند. بنابراین ورودی­های مدل شامل پارامترهای نامبرده و خروجی نیز با توجه به هدف تحقیق، هدایت­الکتریکی انتخاب شد. داده­ها پس از استاندارد­سازی، وارد محیط متلب شده و با استفاده از روش ANFIS-FCM، هدایت­الکتریکی آب زیرزمینی پیش­بینی گردید. در این روش ۷۰ درصد داده­ها (۲۰ نمونه) برای مجموعه داده آموزش و ۳۰ درصد داده­ها (۹ نمونه) برای مجموعه داده آزمون به طور تصادفی انتخاب شدند. برای مجموعه داده آموزش مدل ANFIS-FCM مقادیر R۲ و RMSE به ترتیب ۹۹۹۴/۰، μS/cm ۰۰۰۱۵۶۹/۰ بدست آمدند و همچنین برای مجموعه داده آزمون مدل ANFIS-FCM مقادیر R۲ و RMSE به ترتیب ۹۸۴۴/۰، μS/cm ۰۴۱۶۵۲/۰ حاصل گردید. با استفاده از نتایج حاصل از این مدل، مشخص شد که هدایت­الکتریکی تخمین­زده شده در محدوده­ مورد بررسی از دقتی بسیار خوب و همبستگی بالایی نسبت به مقادیر اندازه­گیری شده برخوردار بوده است. در نتیجه روش هوشمند ANFIS-FCM روشی موثر، کارآمد و دقیق جهت تخمین هدایت الکتریکی آب می­باشد.

نویسندگان

حسنیه نظری

دانشجوی دکترا مهندسی معدن (اکتشاف)، دانشگاه ارومیه، ارومیه، ایران

یلدا نظری

کارشناس ارشد زمین شناسی زیست محیطی، دانشگاه شهید باهنر کرمان، کرمان، ایران

مژگان دهقانی

دانشجوی دکترا زمین شناسی زیست محیطی، دانشگاه ارومیه، ارومیه، ایران

احمد عباس نژاد

دانشیار گروه زمین شناسی، دانشگاه شهید باهنر کرمان، کرمان، ایران

فرنوش حاجی زاده

دانشیار گروه مهندسی معدن، دانشگاه ارومیه، ارومیه، 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 :
  • حجت، آ.، رنجبر، ح (۱۳۹۰) اصول ژئوالکتریک کاربردی، موسسه انتشارات ...
  • حزباوی، ع.، دهقانی، ر (۱۳۹۸) ارزیابی مدل­های هوشمند در تخمین ...
  • دولت­کردستانی، م.، نوحه­گر، ا.، جانی­زاده، س (۱۳۹۶) ارزیابی چند مدل ...
  • سعیدی­رضوی، ب.، عرب، ع (۱۳۹۷) پیش­بینی سطح آب زیرزمینی با ...
  • شرکت سهامی آب منطقه­ای کرمان (۱۳۸۲) مطالعات کمی و هیدورژئولوژی)، ...
  • شیرانی، ز.، عباس­پور، م.، جاوید، ا. ح.، تقوی، ل (۱۳۹۲) ...
  • نظری، ح.، تقوی، ب.، حاجی­زاده، ف (۱۴۰۰) پیش بینی هدایت ...
  • نظری، ح.، دهقانی، م.، حاجی­زاده، ف.، عباس­نژاد، ا (۱۴۰۰) کاربرد ...
  • نظری، م (۱۳۹۰) بررسی منشا و پراکندگی آرسنیک در آب­های ...
  • Abbasi, P., Mehrdadi, N., Nabi, R., Zare Abyaneh, H (۲۰۱۳) ...
  • Akbarzadeh, S., Arof, A. K., Ramesh, S., Khanmirzaei, M. H., ...
  • Babiker, S., Mohamed, A., Tetsuya, H., Kikuo, K (۲۰۰۵) A ...
  • Banerjee, P., Singh, V. S., Chattopadhyay, K., Chandra, P. C., ...
  • Bazdar, H., Fattahi, H., Ghadim, F (۲۰۱۵) Hybrid ANN with ...
  • Bezdek, J. C (۱۹۷۳) Fuzzy mathematics in pattern classification. Cornell ...
  • Derakhshan, Sh., Gholami, V., Darvari, Z (۲۰۱۳) Simulation of groundwater ...
  • Emamgholizadeh, S., Moslemi, Kh., Karami, Gh (۲۰۱۴) Prediction the Groundwater ...
  • Faithful, J., Finlayson, W (۲۰۰۵) Water quality assessment for sustainable ...
  • Gholami, R., Moradzadeh, A., Maleki, S., Amiri, S., Hanachi, J ...
  • Gokceoglu, C., Zorlu, K (۲۰۰۴) A fuzzy model to predict ...
  • Isazadeh, M., Arabzadeh, R., Darbandi, S (۲۰۱۶) Performance Evaluation of ...
  • Jang, JSR (۱۹۹۳) ANFIS: Adaptive-network-based fuzzy inference system. IEEE T ...
  • Jang, JSR., Sun, CT., Mizutani, E (۱۹۹۷) Neuro-Fuzzy and Soft ...
  • Jayalakshmi, T., Santhakumaran, A (۲۰۱۱) Statistical normalization and back propagation ...
  • Kord, M., Asghari Moghadam, A., Nakhaei, M (۲۰۱۵) Quantitative modeling ...
  • Kosko, B (۱۹۹۲) Neural Networks and Fuzzy Systems. A Dynamical ...
  • MATLAB user’s guide (۲۰۰۶) Fuzzy logic Toolbox, by the math ...
  • Moosavi, V., Vafakhah, M., Shirmohammadi, B., Behnia, N (۲۰۱۳) A ...
  • Nadiri, A., Chitsazan, N., Tsai, FTC., Asghari Moghaddam, A (۲۰۱۴) ...
  • Nasr, M., Farouk Zahran, H (۲۰۱۴) Using of pH as ...
  • Nava, P., Taylor, J (۱۹۹۶) The Optimization of Neural Network ...
  • Nayak, P. C., Sudheer, K. P., Rangan, D. M., Ramasastri, ...
  • Nourani, V., Alami, M. T., Vousoughi, F. D (۲۰۱۶) Self-organizing ...
  • Srinivasan, K., Fisher, D (۱۹۹۵) Machine Learning Approaches to Estimating ...
  • Sugeno, M (۱۹۸۵) Industrial applications of fuzzy control. Elsevier Science ...
  • Tamadoni Konari, S (۲۰۱۲) Intelligent prediction of groundwater salinity using ...
  • Tutmez, B., Hatipoglu, Z., Kaymak, U (۲۰۰۶) Modelling electrical conductivity ...
  • Wu, C., Hao, H., Zhou, Y (۱۹۹۹) Fuzzy-random probabilistic analysis ...
  • Zare Abyaneh, H., Bayat, M., Akhavan, S., Mohamadi, M (۲۰۱۱) ...
  • Zhai, J., Zhou, J., Zhang, L., Zhao, J., Hong, W ...
  • نمایش کامل مراجع