ارزیابی توانایی شبکه‌های مختلف عصبی مصنوعی در پیش بینی تراز آب زیرزمینی در آبخوان محدوده سعادت شهر فارس

نوع مقاله: مقاله پژوهشی

نویسندگان

1 عضو هیأت علمی /گروه عمران، دانشگاه آزاد اسلامی واحد ارسنجان

2 دانشیار/ بخش مهندسی راه و ساختمان ، دانشکده مهندسی، دانشگاه شیراز

چکیده

شبیه‌سازی سیستم آبهای زیرزمینی به دلیل پیچیدگی‌های موجود در طبیعت این سیستم‌ها، به آسانی میسر نیست. این درحالیست که شبکه‌های عصبی مصنوعی به عنوان مدل جعبه سیاه با توانایی‌های بالایی که دارند برای مدل‌سازی سیستم‌های پیچیده و غیرخطی بسیار مناسب می‌باشند. لذا، با توجه به مشکلات فراوان مدل‌سازی آبخوانها با مدل‌های ریاضی، شبکه‌های عصبی مصنوعی برای پیش بینی سطح ایستابی در آبخوانها توسط محققین بکار رفته‌اند. هدف از انجام این تحقیق ارزیابی توانایی شبکه‌های عصبی مختلف در پیش‌بینی تراز  آبهای زیرزمینی در محدوده سعادت شهر در استان فارس می‌باشد. از نظر توانایی شبکه‌های مختلف مورد استفاده، شبکه‌های عصبی مصنوعی پیشرو با الگوریتم لونبرگ-مارکوارت بهتریـن نتـایج را ارائه داد. این سـاختار توانست پیش‌بینی ماهانه‌ای از سطح ایستابی آبهای زیرزمینی در بازه زمانی دو ساله (از سال 1383 تا سال 1385) با حداقل ریشه مربع متوسط خطا 04/2 متر و 27/2 متر برای مراحل آموزش و آزمایش ارائه نماید. 

کلیدواژه‌ها


عنوان مقاله [English]

Forecasting Groundwater Level In Saadat-Shahr Plain, Iran, Using Artificial Neural Networks

نویسندگان [English]

  • M.R Nikmanesh 1
  • G.R Rakhshandehroo 2
1 Faculty of Civil Engineering Department, Islamic Azad University, Arsanjan Branch, Iran
2 Associated Professor of Civil Engineering Department, Shiraz University, Shiraz, Iran
چکیده [English]

A proper architectural design of the Artificial Neural Network (ANN) models can provide a robust tool in water resources modeling and forecasting. The performance of different neural networks in a groundwater level forecasting was examined by researchers in order to identify an optimal ANN architecture that can provide accurate predictions up to 24 months ahead. In this study the Saadat-shahrPlain in Fars Province in central Iran was chosen as the study area. All networks were trained for an 8-year period of data and calibrated for a 24-month period. Experimental results showed that the most accurate forecast (for up to 24 months ahead) is achieved with an FNN trained with the LM algorithm

کلیدواژه‌ها [English]

  • Artificial Neural Network
  • Groundwater level forecasting
  • Saadat-shahr Plain

نورانی، و. اصغری مقدم، ا. و ندیری، ع.،(1385)،" ارزیابی سطح آبهای زیرزمینی در آبخوان محدوده شهر تبریز با شبکه‌های عصبی مصنوعی"، سومین کنگره مهندسی عمران، تبریز.

گزارش مطالعات آبهای زیرزمینی دشت سعادت شهر، (1387) شرکت مهندسین مشاور فارساب صنعت، شیراز.

Affandi, A.K. and Watanabe, K., (2007), "Daily groundwater level fluctuation forecasting using soft computer technique," Nature and Science, 5(2), pp.1-10.

Coulibaly, P., Anctil, F., Aravena, R., and Bobee, B., (2001)," Artificial neural network modeling of water table depth fluctuation," Water Resour. Res., 37,  pp.885-896.

Daliakopoulos, N. I., Coulibaly, P.,  and Tsanis, I. K., (2005), "Ground water level forecasting using artificial neural networks," J. Hydrol., 309,pp. 229-240.