حل معکوس مدل‌های آب زیرزمینی - رویکرد غیرمستقیم

نوع مقاله: مقاله پژوهشی

نویسندگان

1 دانش آموخته کارشناسی ارشد /مهندسی عمران - آب های زیرزمینی، دانشگاه شهید بهشتی

2 استادیار/ دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی

3 استادیار/دانشکده مهندسی عمران، آب و محیط زیست، دانشگاه شهید بهشتی

چکیده

هدف اصلی مطالعه حاضر، ارائه ساختار و روشی برای واسنجی مدل‌های آب زیرزمینی است. واسنجی خودکار با رویکرد غیرمستقیم مد نظر قرار گرفته و مسئله معکوس در مدل‌سازی آب زیرزمینی به‌صورت یک مسئله بهینه‌سازی تعریف شده است. برای حل این مسئله بهینه‌سازی غیرخطی از الگوریتم ژنتیک استفاده گردیده است. کمینه‌سازی جذر میانگین مربع اختلاف میان مقادیر تراز سطح آب مشاهداتی و تراز متناظر محاسبه شده در نرم‌افزار MODFLOW به‌عنوان معیار واسنجی و ارزیابی تعیین شده است. مقادیر هدایت هیدرولیکی و آبدهی ویژه (با ناحیه‌بندی معلوم) نیز به‌عنوان پارامترهای مدل در نظر گرفته شده است. با ایجاد تغییراتی در کدهای اصلی برنامه MODFLOW-2005 و افزودن الگوریتم ژنتیک به آن، یک برنامه بهینه‌سازی (MF2005GA_P) به زبان فرترن 90 تهیه شده است که به‌دلیل تبادل داخلی متغیرهای اصلی (مانند RMSE)، کاهش محسوسی در مدت زمان اجرای برنامه نسبت به رویکرد اتصال کدهای شبیه‌سازی و بهینه‌سازی حاصل نموده است. این برنامه بر اساس یک مدل فرضی، توسعه یافته و به‌صورت اولیه مورد ارزیابی قرار گرفته است. در ادامه آبخوان ابهر به‌عنوان مطالعه موردی انتخاب و عملکرد برنامه در مقیاس واقعی مورد بررسی قرار گرفته است. نتایج این روش، کاهش حدود 40 درصدی RMSE را نسبت به نتایج واسنجی با روش سعی و خطا، نشان داده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Inverse solution of groundwater models - Indirect approach

نویسندگان [English]

  • A Ahmadi 1
  • S Alimohammadi 2
  • S. S Mousavi Nadoushani 3
1 Shahid Beheshti University - Faculty of Civil, Water and Environment
2 Assistant professor, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University
3 Assistant professor, Faculty of Civil, Water and Environmental Engineering, Shahid Beheshti University
چکیده [English]

The main purpose of this study is developing a framework for the calibration of groundwater models. The automatic calibration with indirect approach has been considered. Inverse problem in groundwater flow modeling is defined as an optimization problem. For solving the nonlinear optimization problem, genetic algorithm has been used. Minimization the root of mean square deviation between observed and the corresponding computed heads in MODFLOW is considered as a calibration and evaluation criterion. Also, the hydraulic conductivity and specific yield (with known zonation) have been considered as the model parameters. Changing some part of MODFLOW-2005 source codes and embedding the genetic algorithm, an optimization program (MF2005GA_P) has been developed in FORTRAN 90. Internal exchange of main variables (e.g. RMSE) in this program obviously decreases execution time comparing to the approach of linking optimization and simulation codes. The program has been developed and primarily is evaluated based on a hypothetical model. Next, Abhar aquifer is selected as a case study and the program performance in a real scale has been investigated. This method results have shown about 40 percent decrease in RMSE compared with trial and error calibration results.

کلیدواژه‌ها [English]

  • Groundwater
  • Inverse modeling
  • Automatic calibration
  • Genetic Algorithm
Abkhan Consulting Engineers (2003) Project of conjunctive use of Abhar plain water resources, vol. 9: Groundwater simulation model, Tehran, 72p (In Persian)

Ahmadi A (2015) Inverse solution for groundwater models using meta-heuristic algorithms, MSc. Thesis, Shahid Beheshti University, Tehran (In Persian)

Alimohammadi S, Hosseinzadeh H (2010) Conjunctive use of surface water and groundwater resources in Abhar river basin. Journal of Water and Wastewater 21(3):75-87 (In Persian)

Anderson MP, Woessner WW (1992) Applied groundwater modeling: Simulation of flow and advective transport. Academic Press, New York, 381p

Delleur JW (2007) The Handbook of Groundwater Engineering, 2nd Ed., CRC Press, Taylor and Francis, New York, Chapter 23:816-867

Dréo J, Candan C (2011) Metaheurisrics (access date: Sep. 10, 2014) <http://www.wikipedia.com/ metaheuristics/>

Goldberg DE (2006) Genetic Algorithms. Addison-Wesley, New York, 412p

Harbaugh AW (2005) MODFLOW-2005, the US Geological Survey modular ground-water model—The ground-water flow process: U.S. Geological Survey Techniques and Methods 6-A16. U.S. Geological Survey, Reston, Virginia, 253p

Harbaugh AW, Hill MC (2013) Observations in MODFLOW-2005. USGS 9-21-2009, 32p

Haupt RL, Haupt SE (2004) Practical Genetic Algorithms. Wiley, New York, 253p

Hill MC, Tiedeman CR (2007) Effective groundwater model calibration: with analysis of data, sensitivities, predictions, and uncertainty. Wiley, New York, 455p

Ataie-Ashtiani B, Rajabi MM, Ketabchi H (2013) Inverse modelling for freshwater lens in small islands: Kish Island, Persian Gulf. Journal of Hydrogeological Processes 27(19): 2759-2773

Ketabchi H, Ataie-Ashtiani B (2015a) Evolutionary algorithms for the optimal management of coastal groundwater: A comparative study toward future challenges, Journal of Hydrology 520:193-213

Ketabchi H, Ataie-Ashtiani B (2015b) Review: Coastal groundwater optimization - advances, challenges, and practical solutions. Hydrogeology Journal 23:1129-1154

Ketabchi H, Ataie-Ashtiani B (2015c) Assessment of a parallel evolutionary optimization approach for efficient management of coastal aquifers. Journal of Environmental Modelling and Software 74:21-38

Kresic N. (1997) Hydrogeology and Groundwater Modeling. Taylor and Francis, London, 461p

Lingireddy S (1998) Aquifer parameter estimation using genetic algorithms and neural networks. Journal of Civil Engineering Systems15(2):125-144

Madsen KM, Perry AE (2010) Using genetic algorithms on groundwater modeling problems in a consulting setting. In: Proc. of Annual International Conference on Soils, Sediments, Water and Energy, Oct., USA. 15(1):103-114

McDonald MG, Harbaugh AW (2003) The History of MODFLOW. Journal of Ground Water 41(2):280-283

Nicklow J, Reed P, Savic D, Dessalegne T, Harrell L, Chan-Hilton A, Karamouz M, Minsker B, Ostfeld A, Singh A, Zechman E (2010) State of the art for genetic algorithms and beyond in water resources planning and management. Journal of Water Resources Planning and Management 136(4):412-432

Office of Groundwater (OGW), USGS (2011) Status of MODFLOW Versions and MODFLOW-related programs. 3p (access date: Nov. 5, 2014) <http://water.usgs.gov/nrp/gwsoftware/modflow-status/>

Poeter EP, Hill MC (1997) Inverse models: A necessary next step in ground-water modeling. Journal of Groundwater 35(2):250-260

Solomatine DP, Dibike YB, Kukuric N (1999) Automatic calibration of groundwater models using global optimization techniques. Journal of Hydrological Sciences 44(6):879-894

Sun NZ (1999) Inverse problem in groundwater modeling. Springer, New York, 337p

Wang M, Zheng, C (1996) Aquifer parameter estimation under transient and steady-state conditions using genetic algorithms. In: Proc. of ModelCARE 96 Conference, Colorado, Sep., IAHS Publications-Series and Reports, Hydrological Sciences 237:21-30

Yeh WWG (1986) Review of parameter identification procedures in groundwater hydrology: The inverse problem. Journal of Water Resources Research 22(2):95-108

Zahraie B, Hosseini S.M (2009) Genetic algorithm and engineering optimization, Gutenberg, Tehran, 260p (In Persian)

Zheng C. (1997) ModGA: Documentation and user's guide, Using Genetic Algorithms for parameter estimation. Technical Report to DuPont Company, Hydrogeology Group, University of Alabama, 6p (access date: Mar. 15, 2014) <http://hydro. geo.ua.edu/zheng/>