طراحی ماشین مرکب هوش مصنوعی نظارت شده جهت تخمین پارامترهای هیدرودینامیکی آبخوان های محبوس

سال انتشار: 1404
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 45

فایل این مقاله در 19 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_GNF-11-1_002

تاریخ نمایه سازی: 11 شهریور 1404

چکیده مقاله:

تخمین دقیق پارامترهای هیدرودینامیکی، اولین گام جهت توسعه پایدار آبخوان است. از زمان Theis (۱۹۳۵) ،  جهت تخمین پارامترهای آبخوان از روش انطباق منحنی تیپ  (Type Curve Matching Technique _ TCMT) استفاده می شد. این روش همراه با خطاهای گرافیکی است. در این تحقیق یک ماشین مرکب هوش مصنوعی نظارت شده جهت از بین بردن خطا و تخمین دقیق پارامترهای هیدرودینامیکی آبخوان های محبوس با توانایی بالا در تقریب توابع به عنوان جایگزینی برای روش مرسومTCMT  و سایر روش های هوش مصنوعی استفاده گردید. در این تحقیق داده های آزمون پمپاژ به عنوان مولفه های ورودی و مختصات نقطه انطباق بهینه به عنوان مولفه خروجی در نظر گرفته شد. همچنین جهت کاهش ابعاد مولفه های ورودی، از تکنیک آنالیز مولفه های اصلی (PCA) استفاده گردید. سپس مختصات نقطه انطباق با حل تحلیلی تایس (۱۹۳۵) ترکیب شده و پارامترهای آبخوان محاسبه گشت. جهت توسعه ماشین مرکب در مرحله اول سه مدل شبکه عصبی مصنوعی با الگوریتم های آموزش مختلفLevenberg–Marquardt (LM), gradient descent (GD), resilient back-propagation (RP)  جهت تعیین نقطه انطباق و تخمین پارامترهای هیدرودینامیکی آبخوان محبوس تدوین شد که بر اساس نتایج حاصل از مدلسازی، تمامی مدل ها تقریب مناسبی از پارامترهای هیدرودینامیکی آبخوان محبوس نشان داده اند. سپس در مرحله دوم با توجه به پیچیدگی سیستم های هیدروژئولوژیکی، ماشین مرکبی متشکل از  سه مدل هوش مصنوعی طراحی شده ساخته شد که از توانایی های هر سه مدل جهت تعیین پارامترهای هیدرودینامیکی آبخوان های محبوس استفاده نموده است. خروجی مدل های مورد استفاده با ترکیب کننده غیرخطی نظارت شده با هم ترکیب شده و خروجی نهایی ماشین مرکب (نقطه انطباق بهینه) با دقت بسیار بالایی تعیین گردید. نتایج نشان داد مدل ماشین مرکب پیشنهاد شده روشی دقیق تر و جایگزین بهتری نسبت به روش های TCMT و روش های هوش مصنوعی در تعیین نقطه انطباق بهینه و تخمین پارامترهای هیدرودینامیکی آبخوان محبوس می باشد.

کلیدواژه ها:

Artificial neural network ، supervised artificial intelligence committee machine ، pumping test ، type curve matching method ، confined aquifer parameters. ، شبکه عصبی مصنوعی ، ماشین مرکب هوش مصنوعی نظارت شده ، آزمون پمپاژ ، روش انطباق منحنی تیپ ، پارامترهای آبخوان محبوس.

نویسندگان

Tahereh Azari

Kharazmi university

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 :
  • ASCE Task Committee on Application of Artificial Neural Networks in ...
  • ASCE Task Committee on Application of Artificial Neural Networks in ...
  • Azari, T., Samani, N., ۲۰۱۸. Modeling the Neuman’s well function ...
  • Azari, T., Samani, N., Mansoori, E., ۲۰۱۵. An artificial neural ...
  • Baird, L., Moore, A., ۱۹۹۹. Gradient descent for general reinforcement ...
  • Bishop, C.M., ۱۹۹۵. Neural Networks for Pattern Recognition. Clarendon Press, ...
  • Boadu, F.K., ۱۹۹۷. Rock properties and seismic attenuation: neural network ...
  • Boadu, F.K., ۱۹۹۸. Inversion of fracture density from field seismic ...
  • Burney, S.M.A., Jilani, T.A., Ardil, C., ۲۰۰۸. Levenberg–Marquardt algorithm for ...
  • Chen, C.H., Lin, Z.S., ۲۰۰۶. A committee machine with empirical ...
  • Coulibaly, P., Anctil, F., Aravena, R., Bobee, B., ۲۰۰۱. Artificial ...
  • Daliakopoulos, I.N., Coulibaly, P., Tsanis, I.K., ۲۰۰۵. Groundwater level forecasting ...
  • Dashti, Z., Nakhaei, M., Vadiati, M., Karami, G.H., Kisi, O., ...
  • Davis, J.C., ۲۰۰۲. Statistics and Data Analysis in Geology, ۳rd ...
  • Delnaz, A., Rakhshandehroo, G.R., Nikoo, M.R., ۲۰۲۰. Confined aquifer's hydraulic ...
  • Fausett, L., ۱۹۹۴. Fundamentals of neural networks. Prentice-Hall, Englewood Cliffs, ...
  • Haykin, S., ۱۹۹۹. Neural networks: a comprehensive foundation, Prentice-Hall: Englewood ...
  • Hantush, MS., Jacob, CE., ۱۹۵۵. Non-steady radial flow in an ...
  • Kononen, V., ۲۰۰۵. Gradient descent for symmetric and asymmetric multiagent ...
  • Lim, J.S., ۲۰۰۵. Reservoir properties determination using fuzzy logic and ...
  • Lin, G.F., Chen, G.R., ۲۰۰۵. Determination of aquifer parameters using ...
  • Lin, G.F., Chen, G.R., ۲۰۰۶. An improved neural network approach ...
  • Lin, H.T., Ke, K.Y., Chen, C.H., Wu, S.C., Tan, Y.C., ...
  • Mahmoudabadi, H., Izadi, M., Menhaj, M.B., ۲۰۰۹. A hybrid method ...
  • Maier, H.R., Dandy, G.C., ۱۹۹۹. Empirical comparison of various methods ...
  • Maier, H.R., Dandy, G.C., ۲۰۰۰. Neural networks for the prediction ...
  • Maier, H.R., Jain, A., Dandy, G.C., Sudheer, K.P., ۲۰۱۰. Methods ...
  • Nadiri, A.A., Fijani, E., Tsai, F.T.C., Asghari-Moghaddam, A., ۲۰۱۳. Supervised ...
  • Nadiri, A.A., Naderi, K., Khatibi, R., Gharekhani, M., ۲۰۱۹. Modelling ...
  • Razavi, S., Tolson, B.A., ۲۰۱۱. A new formulation for feed ...
  • Riedmiller, M., Braun, H., ۱۹۹۳. A direct adaptive method for ...
  • Rumelhart, D.E., Hinton, G.R., Williams, R.J., ۱۹۸۶. Learning internal representations ...
  • Samani, N., Gohari-Moghadam, M., Safavi, A.A., ۲۰۰۷. A simple neural ...
  • Tabari, M.M.R., Azadani, M.N., Kamgar, R., ۲۰۲۰. Development of operation ...
  • Tabari, M.M.R., Azari, T., Dehghan, V., ۲۰۲۱. A supervised committee ...
  • Tahmasebi, P., Hezarkhani, A., ۲۰۱۲. A hybrid neural networks-fuzzy logic-genetic ...
  • Tayfur, G., Nadiri, A.A., Asghari-Moghaddam, A., ۲۰۱۴. Supervised Intelligent Committee ...
  • Theis, C.V., ۱۹۳۵. The relationship between the lowering of the ...
  • Toth, E., Brath, A., Montanari, A., ۲۰۰۰. Comparison of short-term ...
  • Wu, W., Dandy, G.C., Maier, H.R., ۲۰۱۴. Protocol for developing ...
  • نمایش کامل مراجع