آرشیو

آرشیو شماره ها:
۱۶

چکیده

مقدمه و بیان مسئله: استفاده از هوش عصبی در پیش بینی متغیرهای منابع آبی از جمله آب زیرزمینی بطور گسترده رو به افزایش است. هدف: این تحقیق از طریق هوش مصنوعی و مدل FNN-LM چندین هدف را دنبال می کند که شامل تعیین پارامترهای موثر بر نوسانات سطح آب زیرزمینی در دشت خوزستان و همچنین بررسی تاثیر مکانی و زمانی پارامترهای سطح آب از طریق داده های زمانی 10 ساله و سپس مدلسازی نوسانات سطح آب زیرزمینی در پیزومترهای منتخب در دشت مورد مطالعه می باشد. روش: استفاده از هوش مصنوعی و روش مدل FNN-LM بود و در انتها با تغییر درصدی یک ماه آخر داده های ورودی در مدل، اقدام به ایجاد شرایط فرضی گردید و با توجه به مدلهای شبکه عصبی بدست آمده به پیش بینی نوسانات سطح آب زیرزمینی در این شرایط فرضی پرداخته شد. یافته ها: تاثیر پارامتر تخلیه از چاهها به مراتب بیشتر از تاثیر پارامتر میزان بارندگی می باشد، بطوریکه پیش بینی شرایط ترسالی و خشکسالی که فقط در اثر تغییر میزان بارندگی می باشد. نتیجه گیری: با استفاده از مدلهای ایجاد شده شبکه عصبی برای هر چاه مشاهده ای و استفاده از مقبولترین روش مدلهای ژئواستاتیستیکی پیش بینی مکانی و زمانی مناسبی از سطح آبهای زیرزمینی صورت گرفت. بهترین مدلسازی نوسانات سطح آب با مدل FNN-LM از طریق انتخاب پارامترهای مناسب و با قابل قبول ترین تاخیر زمانی بدست آمد.کلید واژه ها: هوش مصنوعی، سطح آب زیرزمینی، مدل FNN-LM، دشت خوزستان.

Optimum use of underground water table using artificial intelligence FNN-LM model (case study: Khuzestan plain)

Introduction and statement of the problem: The use of neural intelligence in predicting the variables of water resources, including underground water, is widely increasing. Purpose: This research through artificial intelligence and FNN-LM model pursues several goals, which include determining the parameters affecting the fluctuations of the underground water level in the Khuzestan plain, as well as investigating the spatial and temporal effects of the water level parameters through 10-year time data and Then, the modeling of groundwater level fluctuations in selected piezometers in the plain is studied. Method: The use of artificial intelligence and the FNN-LM model method, and at the end, by changing the percentage of the last month of the input data in the model, hypothetical conditions were created and according to the obtained neural network models, the fluctuations of the underground water level were predicted. In this hypothetical situation, it was discussed. Findings: The effect of the discharge parameter from the wells is far more than the effect of the rainfall parameter, so that the prediction of drought and drought conditions is only due to the change of the rainfall. Conclusion: By using the created neural network models for each observation well and using the most accepted method of geostatistical models, an appropriate spatial and temporal prediction of the groundwater level was made. The best modeling of water level fluctuations with the FNN-LM model was achieved by choosing appropriate parameters and with the most acceptable time delay. Keywords: artificial intelligence, underground water level, FNN-LM model, Khuzestan plain.

تبلیغات