مقایسه ی کارآیی مدل های شبکه ی عصبی مصنوعی، منطق فازی و سیستم استنتاج نرو-فازی تطبیقی در تخمین هدایت هیدرولیکی آبخوان دشت مراغه-بناب (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
تخمین دقیق پارامترهای هیدروژئولوژیکی مانند هدایت هیدرولیکی یکی از مهم ترین بخش مطالعات هیدروژئولوژی می باشد که برای مدیریت و حفاظت دقیق از منابع آب زیرزمینی بسیار ضروری است. تا حال روش های مختلف صحرایی و آزمایشگاهی برای تخمین هدایت هیدرولیکی ارائه شده است که عموماً با استفاده از داده های هیدروژئولوژیکی انجام می شوند. از این میان بهترین و کامل ترین روش، روش صحرایی آزمون پمپاژ می باشد که بسیار وقت گیر و پرهزینه بوده و پارامترهای هیدروژئولوژیکی تخمین زده شده به وسیله ی آنها دارای عدم قطعیت ذاتی می باشند. لذا در این تحقیق تلاش شد تا از روش های هوش مصنوعی مختلف مانند شبکه ی عصبی مصنوعی (ANN)، فازی ممدانی (MFL)، فازی ساگنو (SFL) و سیستم استنتاج نرو-فازی تطبیقی (ANFIS) برای تخمین هدایت هیدرولیکی استفاده شود. در این مطالعه برای تخمین دقیق هدایت هیدرولیکی در دشت مراغه- بناب توسط این مدل ها از داده های ژئوفیزیکی به همراه داده های هیدروژئولوژیکی به عنوان ورودی مدل ها استفاده شد و نتایج آنها با استفاده از معیارهای ارزیابی با هم مقایسه و بهترین مدل براساس مقدار RMSE انتخاب شد. بر این اساس مدل ANFIS با داشتن RMSE=1.12 در مرحله ی تست، نسبت به مدل های دیگر قدرت بالایی در تخمین هدایت هیدرولیکی دارد. شعاع دسته بندی، تعداد قوانین فازی و تعداد دسته ها در مدل های فازی و نروفازی، از اهمیت بالایی برخوردار است. شعاع دسته بندی در مدل ANFIS، براساس کمترین مقدار RMSE برابر 4/0و تعداد قوانین فازی براساس تعداد دسته ها 9 قانون اگر-آنگاه به دست آمد. روش های ارائه شده در این مطالعه که کارآیی بالایی در تخمین هدایت هیدرولیکی در دشت مراغه-بناب نشان دادند، می تواند در تخمین هدایت هیدرولیکی در سایر دشت ها با شرایط هیدروژئولوژیکی مشابه نیز مورد استفاده قرار بگیرند.A Comparison of the Performance of Artificial Neural Network, Fuzzy Logic and Adaptive Neuro-Fuzzy Inference Systems Models in the Estimation of Aquifer Hydraulic Conductivity. A Case Study: Maraghe-Bonab Aquifer
An accurate estimation of the hydrogeological parameters such as hydraulic conductivity, which is essential for careful management and protection of groundwater resources, is an important part of hydrogeological studies. Various field and laboratory methods, generally done using hydrogeological data, have already been proposed for estimating hydraulic conductivity. One of the best and the most complete methods is the field pumping test which is very time-consuming and expensive. In addition, hydrogeological parameters estimated by it have an inherent uncertainty. In this study, we tried to use artificial intelligence methods, widely considered in recent years, such as artificial neural network (ANN), mamdani fuzzy logic(MFL), sugeno fuzzy logic(SFL), and adoptive neuro-fuzzy inference system (ANFIS) for the estimation of the hydraulic conductivity. In this study, for the accurate estimation of the hydraulic conductivity in Maraghe-Bonab plain by these models, geophysical and hydrogeological data were used as models' inputs. Their results were compared with the evaluation criteria, and the best model based on the RMSE was selected. Accordingly, the ANFIS model, compared to other models, with an RMSE of 1.12 in the test phase has high power in the estimation of the hydraulic conductivity. Radius of clustering, number of fuzzy rules, and number of clusters are very important in fuzzy and neuro-fuzzy models. Radius of clustering in the ANFIS model, based on the minimum RMSE amount, was equal to 0.4 and the numbers of clusters, based on if-then fuzzy rules, was 9. The methods presented in this study, which demonstrated superior performance in estimating hydraulic conductivity of Maragheh-Bonab plain, can be used in estimating hydraulic conductivity of other plains with similar hydrogeological conditions.
تبلیغات
