کارایی مدل GRNN در قیاس با مدل‌های ANN و RBF در تخمین پارامترهای آبخوان محبوس

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی کارشناسی ارشد سازه‌های هیدرولیکی، بخش مهندسی عمران و محیط‌زیست، دانشکده مهندسی، دانشگاه شیراز

2 استاد بخش مهندسی عمران و محیط‌زیست، دانشکده‌ مهندسی، دانشگاه شیراز

3 استادیار بخش مهندسی عمران و محیط زیست دانشکده مهندسی دانشگاه شیراز

10.22034/hydro.2017.5475

چکیده

برای مدیریت صحیح منابع آب زیرزمینی، تخمین دقیقی از پارامترهای آبخوان لازم است. در این تحقیق، چندین مدل هوش مصنوعی شاملANN، GRNN و RBF به‌منظور تخمین پارامترهای هیدرولیکی یک آبخوان محبوس تدوین شده­ است. یکی از دلایل استفاده از مدل­های هوش مصنوعی در پیش­بینی پارامترهای آبخوان، قابلیت انعطاف­پذیری بالای این مدل­ها، در حل مسائل غیرخطی می­باشد. به‌منظور به‌کارگیری این مدل­ها، پس از جمع­آوری داده­های مربوط به آزمایش پمپاژ و کاهش بعد داده­ها با روش آنالیز مؤلفه­های اصلی، به آموزش و آزمایش مدل­های هوش مصنوعی مختلف پرداخته­ شده است. اگر خطای تابع چاه که متغیر خروجی مدل­های هوش مصنوعی است، در حد قابل قبول باشد، مقادیر پارامترهای آبخوان به­دست آورده می­شود. مدل­های مذکور بر روی داده­های یک آزمایش پمپاژ در آبخوان محبوس آزمایش و نتایج آن­ها با نتایج روش گرافیکی منحنی تایس مورد مقایسه قرار گرفته است. با قیاس چندین شاخص خطای آماری برمبنای نتایج مدل­های هوش مصنوعی پیشنهادی و حل گرافیکی مدل تایس، عملکرد مدل­های مذکور، بررسی گردیده ­است. به‌عنوان مثال، میانگین قدر مطلق خطای نسبی در تخمین پارامترهای آبخوان برای مدل ANN و روش گرافیکی منحنی تایس، به ترتیب 5564/0 و 1320/1 درصد بوده است. همچنین در مقایسه مدل­های مختلف هوش مصنوعی به کار گرفته شده، مدل GRNN از دقت مطلوب و مدت زمان محاسباتی کمتری در تخمین پارامترهای آبخوان برخوردار است و می­تواند به عنوان مدل برتر در تخمین پارامترهای آبخوان، برگزیده شود.

کلیدواژه‌ها


عنوان مقاله [English]

Assessment of GRNN model in comparison to ANN and RBF models for estimating confined aquifer parameters

نویسندگان [English]

  • Atefeh Delnaz 1
  • Gholamreza Rakhshandehroo 2
  • Mohammad Reza Nikoo 3
1 M.Sc. Student, School of Engineering, Department of Civil and Environmental Engineering, Shiraz University, Shiraz, Iran
2 Professor, School of Engineering, Department of Civil and Environmental Engineering, Shiraz University, Shiraz, Iran
3 Assistant Professor, School of Engineering, Department of Civil and Environmental Engineering, Shiraz University, Shiraz, Iran
چکیده [English]

To achieve an appropriate management of groundwater resources, the accurate estimation of aquifer parameters is essential. In this study, several artificial intelligence models including, Artificial Neural Network (ANN), Generalized Regression Neural Network (GRNN) and Radial Basis Function (RBF) neural network have been developed to estimate the hydraulic parameters of a confined aquifer. One of the many reasons in using the artificial intelligence models to estimate the aquifer parameters, is their high flexibility, especially in non-linear problems. In order to implement these models, after gathering the pumping test data and reducing the dimensions of the data using the Principle Component Analysis (PCA), the artificial neural networks are trained and tested. Under the condition that the well function’s error as the output of the artificial intelligence models, lies within an acceptable limit, then the values of aquifer parameters can be determined. The models are applied to a pumping test data in a confined aquifer and the results are compared with those of the graphical Theis curve method. Several statistical errors considering the results of the proposed artificial intelligence models and the graphical Theis curve method are compared and the performance of the models is examined. As an example, the Mean Absolute Relative Error (MARE) in estimating aquifer parameters for ANN model and graphical Theis curve method are 0.5564 and 1.1320 percent, respectively. To this regard, the GRNN is more precise and has much less computational time than the others and may be selected as a superior model in the estimation of confined aquifer parameters.

کلیدواژه‌ها [English]

  • Aquifer parameter estimation
  • Artificial intelligence models
  • Artificial neural network
  • Generalized regression neural network
  • Pumping test