یک رویکرد نوین جهت تعیین پارامترهای هیدرولیکی آبخوان هایی با تخلخل دوگانه مبتنی بر شبکه عصبی MLP

تعیین دقیق مقادیر پارامترهای هیدرولیکی، اولین گام برای توسعه پایدار آبخوان است. از زمان Theis (۱۹۳۵)، روش انطباق منحنی تیپ (TCMT) با استفاده از داده های آزمون پمپاژ برای تخمین پارامترهای آبخوان استفاده می شود. این روش همراه با خطاهای گرافیکی است. در این تحقیق جهت حذف این خطا، یک شبکه عصبی مصنوعی (ANN) از نوع پرسپترون چندلایه (MLP) با مدل سازی تابع چاه Bourdet-Gringaten جهت تعیین پارامترهای آبخوان هایی با تخلخل دوگانه طراحی شده است. مدل شبکه عصبی MLP در یک پروتکل چهار مرحله ای با روش پس انتشار خطا و الگوریتم بهینه سازی لونبرگ-مارکوارت(LM)  آموزش داده شده است. با اعمال روش تحلیل مولفه های اصلی (PCA) بر روی داده های ورودی آموزش و از طریق روش آزمون و خطا، ساختار بهینه شبکه با توپولوژی [۳×۶×۳] ثابت گردید. اعتبار شبکه توسعه یافته با داده های میدانی مصنوعی و واقعی ارزیابی شد. این مدل، داده های آزمون پمپاژ را دریافت می کند و مقادیر پارامترهای آبخوان را در اختیار کاربر قرار می دهد. مدل طراحی شده، یک روش خودکار و سریع برای تعیین پارامترهای آبخوان هایی با تخلخل دوگانه را فراهم می کند و خطاهای گرافیکی ذاتی TCMT معمولی را حذف می کند.

کلیدواژه ها:

Aquifer parameters ، Double porosity ، Well function ، Multi Layaer Perceptron (MLP) ، Principal Component Analysis (PCA). ، پارامترهای آبخوان ، تخلخل دوگانه ، تابع چاه ، پرسپترون چندلایه ، آنالیز مولفه اصلی.