چکیده:
بررسیهای کیفی آبهای زیرزمینی اهمیت ویژهای در مدیریت این منابع دارد. از این رو، بررسی و برآورد کیفی منابع آبهای زیرزمینی از اهمیت ویژهای برخوردار است. با وجود تمام پیشرفتهای صورت گرفته در علم مهندسی مدیریت منابع آب، معضل بررسی کیفیت آبهای زیرزمینی تا به امروز اصلیترین مشکلی است که در اکثر دشتهای ایران مشاهده میشود. لذا مدیریت و پایش کیفیت منابع آب از اهمیت بالایی برخوردار است. در این تحقیق سعی شد با بهکارگیری دو مدل RBF و GFF شبکه عصبی مصنوعی به پیشبینی و برآورد کیفیت آبهای زیرزمینی دشت سلماس پرداخته شود. جهت نیل به این هدف، از دادههای کیفی آب زیرزمینی مربوط به دشت سلماس در دوره آماری 10 ساله (90-1381) استفاده گردید و نتایج بر اساس استانداردهای ویلکاکس، شولر و پایپر مورد بررسی قرار گرفت. 70 درصد دادههای موجود به منظور آموزش شبکه و از 10 درصد دادهها برای صحتسنجی دو مدل استفاده شد. لذا از 20 درصد باقیمانده دادههای موجود برای آزمایش شبکه استفاده گردید. بهکارگیری پارامترهای آماری مناسب و کاربردی نشان داد مدل RBF با آموزش Levenberg Marquardt و 4 لایه مخفی قابلیت بالایی در برآورد و پیشبینی کیفیت آب زیرزمینی دارد، همچنین ضریب همبستگی در این مدل برابر 81/0 و جذر میانگین مربعات خطا برابر 12/33% بهدست آمد. همچنین نتایج استفاده از دیاگرامهای مختلف نشان میدهد نمونهها دارای سختی و خورندگی کم میباشند. طبق طبقهبندی کلاسها، اکثر دادهها در کلاس C3S1 قرار دارند. براساس نتایج، تمامی منابع آبی منطقه مورد مطالعه، بهترتیب برای کشاورزی، شرب و صنعت در حد مناسب، خوب، قابل قبول میباشند.
خلاصه ماشینی:
در این تحقیق سعی شد با بهکارگیری دو مدل RBF و GFF شبکه عصبی مصنوعی به پیشبینی و برآورد کیفیت آبهای زیرزمینی دشت سلماس پرداخته شود.
بهکارگیری پارامترهای آماری مناسب و کاربردی نشان داد مدل RBF با آموزش Levenberg Marquardt و 4 لایه مخفی قابلیت بالایی در برآورد و پیشبینی کیفیت آب زیرزمینی دارد، همچنین ضریب همبستگی در این مدل برابر 81/0 و جذر میانگین مربعات خطا برابر 12/33% بهدست آمد.
در این تحقیق با استفاده از دادههای به دشت سلماس در دوره آماری 10 ساله (90-1381) Data Mining اقدام به پیشبینی کیفیت آب زیرزمینی با دو مدل RBF و GFF 1 شبکههای عصبی مصنوعی میگردد.
جدول 3- تحلیل خطای بین مقادیر اندازهگیری شده و پیشبینی شده {مراجعه شود به فایل جدول الحاقی} 3-2- مقایسه دو مدل RBF و GFF در ارآورد کیفیت آب زیرزمینی طراحی یک شبکه عصبی مصنوعی شامل انتخاب تعداد لایههای پنهان و عناصر پردازنده (نرون) برای لایههای پنهان است که یک فرایند سعی و خطا جهت کسب بهترین نتیجه ممکن برای تولید خروجی میباشد.
پس از اعمال مجموعه تست به شبکههای آموزش داده شدهی برگزیده تعمیمدهی شبکهها مورد بررسی قرار گرفت و در نهایت شبکهای که بهترین تعمیمدهی را در مجموعه آزمون نشان داد، بهعنوان شبکه مطلوب برای برآورد کیفیت آب زیرزمینی دشت سلماس انتخاب شد.
In this research, we tried to predict and evaluate the quality of groundwater in Salmas Plain by using two models of artificial neural network RBF and GFF.