مقایسه‌ مدل‌های شبکه‌ عصبی مصنوعی و رگرسیون چند متغیره در تخمین تغییرات کیفی آب زیرزمینی (مطالعه‌ موردی: آبخوان کاشان)

نوع مقاله: مقاله پژوهشی

نویسندگان

1 1- دانشجوی دکترای علوم و مهندسی آبخیزداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان

2 2- استادیار گروه مرتع و آبخیزداری، دانشکده منابع طبیعی و علوم زمین، دانشگاه کاشان

3 3- دانشیار گروه انرژی‌های نو و محیط زیست، دانشکده علوم و فنون نوین، دانشگاه تهران

4 4- استادیار گروه مهندسی عمران، دانشکده مهندسی، دانشگاه کاشان

چکیده

مجاورت آبخوان کاشان با جبهه­ آب شور دریاچه­ نمک، باعث ایجاد شیب هیدرولیکی و درنتیجه پیشروی آب شور به داخل آبخوان شده است. در این پژوهش با توجه به وضعیت موجود، شبیه­سازی کیفی آب زیرزمینی دشت کاشان با استفاده از مدل­های شبکه عصبی مصنوعی (شامل پرسپترون چندلایه و تابع شعاعی) و رگرسیون چند متغیره انجام شد. برای این منظور ابتدا اقدام به تعیین تیپ غالب آب منطقه شد و سپس اقدام به مدل­سازی شد. نتایج حاصل از بررسی تیپ آب نشان داد که کلرور- سدیم، تیپ غالب آب منطقه است. بنابراین در مدل­سازی­ها، علاوه بر تغییرات سطح ایستابی و بارندگی، مقدار غلظت کلرور در سال قبل نیز به­عنوان ورودی مدل انتخاب گردیده و خروجی مدل نیز، مقدار کلرور در سال جاری بوده است. نتایج نشان داد که مدل پرسپترون چندلایه نسبت به مدل­های تابع شعاعی و رگرسیون چند متغیره دارای نتیجه­ بهتری در پیش­بینی غلظت کلر در 11 سال آینده بوده است. به‌طوری‌که ضریب تبیین اصلاح‌شده­ حاصله، به­ترتیب برابر 97/0، 89/0 و 34/0 بودند. همچنین تابع محرک تانژانت هایپربولیک خطی و الگوریتم مومنتوم، نتایج بهتری را نسبت به توابع و الگوریتم­های دیگر نشان دادند. نتایج حاصل از تحلیل حساسیت مدل نشان داد که غلظت کلر در سال قبل و تغییرات سطح ایستابی، مهم­ترین تأثیر را در شبیه­سازی غلظت کلر داشته است. 

کلیدواژه‌ها


عنوان مقاله [English]

Comparison of Artificial Neural Network (ANN) and Multi Variable Regression Analysis (MRA) Models to Predict Ground Water Quality Changes (Case Study: Kashan Aquifer

نویسندگان [English]

  • M Mirzavand 1
  • H Ghasemieh 2
  • SJ Sadatinejad 3
  • M Akbari 4
چکیده [English]

The adjacency of Kashan aquifer to the saltwater front of the Salt Lake has caused a hydraulic gradient, resulting in the advancement of saltwater into the aquifer. Owing to the current situation, qualitative simulation of groundwater of Kashan plain has been implemented with Artificial Neural Network and Multi Variable Regression models in this study. For this purpose, prior to the model implementation, first we attempted to determine the dominant type of water. Results showed that the sodium chloride was the dominant type of water. Therefore, in addition to the water table fluctuations and precipitation amount, the chloride concentration in the previous year was considered as the model's input, while the output was the chloride concentration in this year. The results indicated that the MLP produced more accurate results than the RBF and MLR models, so that, the corresponding adjusted R2 values for these models were 0.97, 0.89 and 0.34, respectively. The outcomes revealed that the linear hyperbolic tangent activation function and Momentum algorithm produced better results than the other applied algorithms and functions. The resulted outcome of sensitivity analysis showed that concentration of chloride in the previous year and water table fluctuations had the most effect on the chloride concentration simulation.
 
 

کلیدواژه‌ها [English]

  • Keywords: Artificial neural network
  • groundwater quality
  • Kashan aquifer
  • Multi variable regression
  • Sodium- Chloride