پیش‏بینی تراز آب زیر زمینی با استفاده از مدل‏های مادفلو، ماشین آموزش نیرومند و ویولت-ماشین آموزش نیرومند

نوع مقاله : یادداشت فنی (5 صفحه)

نویسندگان

1 گروه محیط زیست، واحد علوم و تحقیقات، دانشگاه ازاد، تهران

2 گروه مهندسی محیط زیست، دانشگاه علوم و تحقیقات

3 گروه محیط زیست، واحد تنکابن، دانشگاه ازاد، تنکابن

4 گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

5 گروه محیط زیست، واحد علوم و تحقیقات، دانشگاه آزاد، تهران

چکیده

در این مطالعه تراز آب زیرزمینی منطقه کبودر آهنک واقع در استان همدان، ایران با استفاده از مدل‏های مادفلو، ماشین آموزش نیرومند (ELM) و ویولت-ماشین آموزش نیرومند WA-ELM)) شبیه‏سازی می‏شود. تجزیه و تحلیل نتایج مدل‏سازی نشان می‏دهد که مدل‏های عددی تراز آب زیرزمینی را با دقت قابل قبولی شبیه‏سازی می‏کنند. به‏عنوان مثال مقادیر ضریب همبستگی و شاخص پراکندگی برای مدل مادفلو به‏ترتیب مساوی 0.917 و 0.0004 بدست آمد. سپس با ترکیب‏های ورودی مختلف و با استفاده از گام زمانی صحیح، به صورت تاخیرهای متفاوت 10 مدل مختلف برای مدل‏های ELM و WA-ELM تعریف می‏شود. با ارزیابی کلیه توابع فعال‏سازی مدل ELM، تابع فعال‏سازی sigmoid مقادیر تراز آب زیرزمینی را با دقت بیشتری پیش‏بینی می‏کند. همچنین Daubechies2 به‏عنوان خانواده ویولت مدل‏های WA-ELM انتخاب می‏شود. بر اساس نتایج مدل‏های عددی مختلف، مدل WA-ELM به‏عنوان مدل برتر در پیش‏بینی تراز آب زیرزمینی انتخاب می‏شود. برای مدل برتر مقادیر ضریب همبستگی و ضریب نش به‏ترتیب برابر 0.959 و 0.915 محاسبه شده است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Prediction of Groundwater Level using MODFLOW, Extreme Learning Machine and Wavelet-Extreme Learning Machine Models

نویسندگان [English]

  • maryam malekzadeh 1
  • saeid kardar 2
  • keivan saeb 3
  • saeid shabanlou 4
  • lobat taghavi 5
1 Department of Environment and Energy, Science and Research branch, Islamic Azad University, Tehran, Iran
2 Department of Environment and Energy, Science and Research branch, Islamic Azad University, Tehran, Iran.
3 Department of Environment, Tonekabon Branch, Islamic Azad University, Tonekabon, Iran
4 Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran
5 Department of Environment and Energy, Science and Research branch, Islamic Azad University, Tehran, Iran
چکیده [English]

In this study, the groundwater level of the Kabodarahang aquifer located in Iran, Hamadan Province is simulated using the MODFLOW, Extreme Learning Machine (ELM) and Wavelet-Extreme Learning Machine (WA-ELM) Models. Analysis of modeling results shows that numerical models simulate groundwater level with acceptable accuracy. For example, the correlation coefficient and scatter index values for the MODFLOW model are calculated 0.917 and 0.0004, respectively. Then, by different input combination and using the stepwise selection, 10 different models are introduced for the ELM and WA-ELM models as different lags. By evaluating all activation functions of the ELM model, the sigmoid activation function predicts groundwater level values with more accuracy. Also, Daubechies2 is chosen as the mother wavelet of the WA-ELM models. According to different numerical models results, the WA-ELM model is selected as the superior model in prediction of groundwater level. For the superior model, the correlation coefficient and Nash-Sutcliffe efficiency coefficient are calculated 0.959 and 0.915, respectively.

کلیدواژه‌ها [English]

  • groundwater level
  • MODFLOW
  • Extreme learning machine
  • Wavelet
  • Wavelet-Extreme Learning Machine
Barzegar R, Fijani E, Moghaddam AA, Tziritis E (2017) Forecasting of groundwater level fluctuations using ensemble hybrid multi-wavelet neural network-based models. Science of the Total Environment 599:20-31
Chen M, Izady A, Abdalla OA (2017) An efficient surrogate-based simulation-optimization method for calibrating a regional MODFLOW model. Journal of Hydrology 544:591-603
Huang GB, Zhu QY, Siew CK (2004) Extreme learning machine: A new learning scheme of feed forward neural networks. In Neural Networks, Proceedings. International Joint Conference on, IEEE 2:985-990
McDonald MG, Harbaugh AW (1988) A modular three-dimensional finite-difference ground-water flow model. pen-File Report 83-875, https://doi.org/ 10.3133/ofr83875
Misiti M, Misiti Y, Oppenheim G, Poggi JM (1996) Wavelet toolbox for use with Matlab. The Mathworks, Inc.:Natick, Massachusetts, USA
Nikmanesh MR, Rakhshandehroo GR (2009) Forecasting groundwater level in Saadat-Shahr Plain, Iran, using artificial neural networks. Iran-Water Resources Research 7:82-86
Ramezani Charmahineh A, Zounemat Kermani M (2015) Evaluation of support vector machine, and linear and quadratic discriminant analysis for groundwater level variations in Shahrekord Plain. Iran-Water Resources Research 11:97-105