ارائه مدل هوشمند تعیین رفتار تغییرات تراز سطح آب زیرزمینی با لحاظ نمودن وضعیت دینامیکی سیستم آبخوان

نوع مقاله: مقاله پژوهشی

نویسندگان

1 استادیار گروه مهندسی عمران، دانشکده فنی و مهندسی، دانشگاه شهرکرد

2 استادیار دانشکده عمران و محیط‌زیست، دانشگاه صنعتی امیرکبیر، تهران

چکیده

با توجه به خشکسالی‌های اخیر و افزایش میزان تقاضا، استفاده از منابع آب زیرزمینی در بیشتر مناطق کشور در اولویت قرار گرفته است. در این راستا برداشت‌های بی‌رویه منجر به بروز مشکلاتی برای آبخوان دشت‌ها شده است. با توجه به اینکه به‌منظور اعمال محدودیتهای برداشت در اغلب مدل‌های مدیریت منابع آب، لازم است آبخوان به‌صورت پیوسته و زمانمند شبیه‌سازی شود و از طرفی استفاده از این مدل‌ها در فرایند بهینه‌سازی منجر به افزایش زمان اجرا می‌شود، لازم است مدل هوشمندی جایگزین مدل عددی شبیه‌سازی آبخوان شود. در این تحقیق با توجه به خصوصیات هیدروژئولوژیکی آبخوان و مقادیر اندازه‌گیری شده برای پارامترهای کمّی آبخوان، مدل کمّی عددی آبخوان تهیه شده و سپس با استفاده از نتایج آن و به‌کارگیری مدل شبیه‌ساز شبکه عصبی دینامیکی، تغییرات تراز سطح آب زیرزمینی برای افق برنامه‌ریزی به‌صورت معادلاتی ارائه گردید. میزان کل تغذیه و تخلیه آبخوان و تراز سطح آب زیرزمینی در گام زمانی قبل به‌عنوان پارامترهای ورودی و تراز سطح آب زیرزمینی در انتهای دوره شبیه‌سازی به‌عنوان پارامتر خروجی در مدل شبیه‌ساز استفاده شد. به‌منظور تدوین مدل شبیه‌ساز، چهار مرحله در نظر گرفته شد که عبارت‌اند از تدوین مدل شبیه‌سازی آبخوان و واسنجی نمودن آن، تولید مجموعه داده‌های ورودی- خروجی برای آموزش مدل شبیه‌ساز، آموزش مدل شبیه‌ساز برای ساختارهای گوناگون، صحت‌سنجی و استخراج مدل شبیه‌ساز برتر برای برقراری ارتباط با مدل بهینه‌سازی. نتایج ارائه شده نشان‌دهنده کارایی مدل پیشنهادی به‌منظور شبیه‌سازی و پیش‌بینی رفتار تغییرات تراز سطح آب زیرزمینی در مقایسه با مدل‌های شبکه عصبی استاتیکی بود.

کلیدواژه‌ها


عنوان مقاله [English]

Development of a Smart Model for Groundwater Level Prediction Based on Aquifer Dynamic Conditions

نویسندگان [English]

  • Mahmoud Mohammad Rezapour Tabari 1
  • Taghi Ebadi 2
  • Reza Maknoon 2
1 Assist. Prof. of Civil Eng., Dept. of Eng., Shahrekord University
2 Assist. Prof., Dept. of Civil and Environmental Eng., Amirkabir University of Tech., Tehran
چکیده [English]

In recent years, drought and demand growth in most parts of the county have caused a dramatic increase in using groundwater for water supply purposes. Besides, unplanned excessive discharges from aquifers have led to aquifer degradation. In most integrated water resources management models, groundwater simulation is used for taking into account discharge constrains, however, the most cases the optimal solution is not achievable.Hence, artificial neural network models may be replaced by groundwater numerical simulation models. In this paper, a methodology based on dynamic artificial neural networks (DANN) is developed for simulating groundwater table.Karajaquifer is used as the case study and its groundwater numerical model (PMWIN) is calibrated using such measured groundwater characteristics as hydraulic conductivity and specific storage. The results of the numerical model are presented to DANN for training. In the proposed procedure, the total recharge, discharge, and groundwater level in previous time intervals are used as the inputs to the DANN model. The model output is the groundwater level at the end of the time interval. In this study, the development of the model is accomplished in four steps that consist of developing the aquifer simulation model and its calibration, producing the input-output data set for DANN training, training the DANN model for various structures, and selecting the best structure for use in the optimization model. The result shows that the proposed DANN model is more efficient in simulating groundwater level fluctuations than the static artificial neural network (SANN) models.

کلیدواژه‌ها [English]

  • Simulation
  • aquifer
  • Static and Dynamic Artificial Neural Networks
  • Modeling
  • forecast
1- Menhaj, M. B. (2002). Computational intelligence, vol 1: Fundamentals neural networks, Amirkabir University Press, Tehran.(In Persian)

2- Das, A., and Datta, B., (2001).“Application of optimisation techniques in groundwater quantity and quality management.” Academy Proc. In Eng., Sciences, 24 (4), 293-316

3- Kim, S.S. (1998). “Time-delay recurrent neural network for temporal correlations and prediction.” Neurocomputing, 20, 253-263.

4- Yazdizadeh, A., and Khorasani, K. (2002). “Adaptive time delay neural network structures for nonlinear system identification.” Neurocomputing, 47, 207-240.

5- Shigidi, A., and Garcia, L.A.(2003). “Parameter estimation in groundwater hydrology using artificial neural networks.” J. of Computing in Civil Engineering, 17(4), 281-289.

6- Coppola, Jr. E., Szidarovszky, F., Poulton, M., and Charles, E. (2003). “Artificial neural network approach for predicting transient water levels in a multilayered groundwater system under variable state, pumping, and climate conditions.” J. of Hydrologic Engineering, 8(6), 348-360.

7- Daliakopoulos, I.N., Coulibaly, P., and Tsanis, I.K. (2005). “Groundwater level forecasting using artificial neural networks.” J. of Hydrology, 309, 229-240.

8- Chandramouli, V., Lingireddy, S., and Brion, G.M. (2007). “Robust training termination criterion for back-propagation ANNs applicable to small data sets.” J. of Computing in Civil Engineering, 21(1), 39-46.

9- Karamouz, M., Mohammad Rezapour Tabari, M., and Kerachian, R. (2007), “Application of genetic algorithms and artificial neural networks in conjunctive use of surface and groundwater resources.” J. of Water International, 32(1), 163-176.

10- Shamseldin, A.Y. (1997). “Application of neural network technique to rainfall-runoff modelling.” J. of Hydrology, 199, 272-294.

11- Maier, H.R., and Dandy, G.C. (1996). “Use of artificial neural networks for prediction of water quality parameters.” Water Resour. Res., 32(4), 1013-1022.

12- Clair, T.A., and Ehrman, J.M. (1998). “Using neural networks to assess the influence of changing seasonal climates in modifying discharge, dissolved organic carbon, and nitrogen export in eastern Canadian rivers.” Water Res. Res., 34(3), 447-455.

13- Smith, J., and Eli, R.N. (1995). “Neural-network models of rainfall-runoff process.” J. Water Resour. Plng. and Mang., 121(6), 499-508.

14- Karunanithi, N., Grenney, W.J., Whitley, D., and Bovee, K. (1994). “Neural networks for river flow prediction.” J. Comp. Civ. Engrg., 8(2), 201-220.

15- Razavi, S. S. (2004). “Application of neural networks in hydrological and hydraulic routing.” M.Sc. Thesis, Dept. of CivilEng.,AmirkabirUniversity,Tehran. (In Persian)

16- Karamouz, M., Tabesh, T., Nazif, S., and Moridi, A. (2005). “Estimation of hydraulic pressure in water networks and fuzzy logic.” J. of Water and Wastewater, 53, 3-14. (In Persian)