دانشگاه تبریز هیدروژئولوژی 2588-3011 9 2 2025 02 19 Simulation of groundwater using artificial intelligence system (Case study: Komeh Basin of Isfahan province) شبیه‌سازی آب‌زیرزمینی با استفاده از سیستم هوش مصنوعی (مطالعه موردی: حوزه آبخیز کمه استان اصفهان) 65 76 19742 10.22034/hydro.2025.63389.1319 FA روح اله سمیعی دستجردی دانش آموخته کارشناسی ارشد آبخیزداری، دانشکده کشاورزی و منابع طبیعی، دانشگاه اردکان، اردکان، ایران. مهدی حیات زاده استادیار گروه مهندسی طبیعت، دانشکده کشاورزی و منابع طبیعی، دانشگاه اردکان، اردکان، ایران. علی فتح الله زاده دانشیار گروه مهندسی طبیعت، دانشکده کشاورزی و منابع طبیعی، دانشگاه اردکان، اردکان، ایران. فرزانه فتوحی فیروزآباد استادیار گروه مهندسی طبیعت، دانشکده کشاورزی و منابع طبیعی، دانشگاه اردکان، اردکان، ایران. 0000-0001-7162-2681 Journal Article 2024 09 08 The limitation of surface water resources has led the demand for water consumption to the use of underground water resources and the withdrawal from these sources and the lack of feeding of the aquifers has caused a drop in the level of groundwater. On the other hand, to evaluate and manage water resources in the conditions of todays and future dangers, it is necessary to predict the level of ground water. The purpose of this research is to predict the ground water level of Komeh basin in Semirom city of Isfahan province using artificial intelligence system. In this regard, were used the observational data of groundwater level, precipitation and discharge on a monthly scale with a 20-year time series (1379-1398). Multilayer perceptron (MLP) network algorithm was used to check the prediction power and influence of inputs from different arrangement, change of input weights, change of layers and number of neurons. In order to check the performance of the models, were used two measures of root mean square error (RMSE) and coefficient of determination (R²). For this purpose, 75% of the data (180 data series) were used for training the network and the remaining 25% (60 data series) were used to evaluate and test the network. Based on the comparison of the tables of RMSE and R of different arrangements, in predicting the groundwater level of the studied basin, the effect of precipitation is more than discharge and Levenberg–Marquardt  training algorithm has a better performance than others with a coefficient of determination of 0.99 and root mean square error of 0.0047. The results, while confirming the appropriate efficiency of artificial neural network models in simulating the groundwater level, showed that the use of climatic parameters compared to hydrological parameters to model small amounts of underground water in the artificial neural network model has a better performance. The results indicate that in the simulation of the groundwater level using artificial neural network, due to the existence of many uncertainties in the input data to the network, the selection of the type and structure of the model is of particular importance. محدودیت منابع آب سطحی، تقاضای مصرف آب را به سمت استفاده از منابع آب زیرزمینی سوق داده است و برداشت از این منابع و عدم تغذیه آبخوان­ها باعث افت سطح تراز آب­های زیرزمینی گردیده است. از طرفی برای ارزیابی و مدیریت منابع آب در شرایط مخاطرات امروز و آینده نیاز به پیش­بینی تراز آب­های زیرزمینی می­باشد. هدف از این پژوهش پیش­بینی تراز آب زیرزمینی حوزه آبخیز کمه شهرستان سمیرم استان اصفهان با استفاده از سیستم هوش مصنوعی می­باشد. در این راستا داده­های مشاهداتی تراز آب زیرزمینی، بارش و دبی در مقیاس ماهانه با سری زمانی 20 ساله (1398 -1379) مورد استفاده قرار گرفت. در الگوریتم شبکه پرسپترون چند لایه (MLP) جهت بررسی قدرت پیش­بینی و تأثیر ورودی­ها از آرایش مختلف، تغییر وزن­های ورودی، تغییر لایه­ها و تعداد نرون­ها استفاده شد. به‌منظور بررسی عملکرد مدل­ها، از دو معیار جذر میانگین مربع خطا (RMSE) و ضریب تعیین (R²) استفاده گردید. به‌این‌منظور از 75 درصد داده­ها (180 سری داده) برای آموزش شبکه و از 25 درصد مابقی (60  سری داده) به‌منظور ارزیابی و تست شبکه استفاده شد. براساس مقایسه جداول RMSE و R آرایش­های مختلف، در پیش­بینی تراز آب زیرزمینی حوضه مورد مطالعه، تأثیر بارش بیشتر از دبی می­باشد و الگوریتم آموزش لونبرگ مارکوارت با داشتن ضریب همبستگی 99/0 و جذر میانگین مربع خطا 0047/0 عملکرد بهتری نسبت به سایرین دارد. نتایج ضمن تایید کارایی مناسب مدل‌های شبکه عصبی مصنوعی در شبیه‌سازی تراز آب زیرزمینی نشان داد که استفاده از پارامترهای اقلیمی نسبت به پارامترهای هیدرولوژیکی جهت مدل­سازی مقادیر کمی آب­زیرزمینی در مدل شبکه عصبی مصنوعی دارای عملکرد بهتری می­باشد. نتایج حاکی از آن است که در شبیه‌سازی تراز آب زیرزمینی با استفاده از شبکه عصبی مصنوعی، با توجه به وجود عدم قطعیت‌های متعدد در داده‌های ورودی به شبکه، انتخاب نوع و ساختار مدل از اهمیت ویژه‌ای برخوردار می‌باشد. https://hydro.tabrizu.ac.ir/article_19742_9f94319eb90840a6ea2a6d65368ada7a.pdf