شبیه‌سازی تراز، کلر و بی‌کربنات آب زیرزمینی توسط ماشین آموزش ترکیبی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 دانشجوی دکتری منابع آب، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

2 استادیار، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

3 دانشیار، گروه مهندسی آب، واحد کرمانشاه، دانشگاه آزاد اسلامی، کرمانشاه، ایران

چکیده

در این مطالعه، دو مدل فرا ابتکاری هوش مصنوعی برای شبیه­سازی داده­های سری زمانی پارامترهای کمی (نوسانات تراز آب زیرزمینی) و کیفی (کلر و بی­کربنات) آب زیرزمینی درون یک چاه مشاهداتی واقع در شهر کرمانشاه، ایران، از سال 2005 تا 2018 به­صورت ماهانه ارائه شد. برای تعریف مدل هیبریدی هوش مصنوعی، ماشین آموزش نیرومند  (ELM)، الگوریتم تکامل تفاضلی (DE) و تبدیل موجک با هم ترکیب شدند و مدل­های ماشین آموزش نیرومند خود تطبیقی (SAELM) و موجک-ماشین آموزش نیرومند خود تطبیقی  (WSAELM)ارائه شدند. لازم به ذکر است که برای شناسایی تأخیرهای موثر داده­های سری زمانی از تابع خود همبستگی استفاده گردید. علاوه بر این، 70 درصد داده­های مشاهداتی برای آموزش مدل­های هوش مصنوعی و 30 درصد باقیمانده برای تست آنها استفاده شدند. سپس، با استفاده از این تأخیرهای موثر، مدل­های مختلفی برای الگوریتم­های هیبریدی SAELM و WSAELM تعریف شدند. سپس با اجرای یک تحلیل حساسیت، مدل­های برتر برای مدل­سازی تراز آب زیرزمینی، کلر و بی­کربنات معرفی شدند. به­عنوان مثال، برای مدل برتر WSAELM جهت شبیه­سازی نوسانات آب زیرزمینی، مقادیر ضریب همبستگی (R)، شاخص عملکرد (VAF) و ضریب نش  (NSC) به­ترتیب مساوی با 988/0، 450/97 و 973/0 به­دست آمدند. لازم به ذکر است که برای پیش­بینی HCO3 نیز تأخیرهای (t-1)، (t-2)، (t-3) و (t-4) به­عنوان موثرترین تأخیرهای داده­های سری زمانی شناسایی شدند. با اجرای یک تحلیل عدم قطعیت نشان داده شد که مدل برتر مقادیر Cl و HCO3 کمتر از واقعی شبیه­سازی کرد اما مدل برتر مقادیر تراز آب زیرزمینی را با عملکردی بیشتر از مقدار واقعی پیش­بینی نمود.

کلیدواژه‌ها

عنوان مقاله [English]

Simulation of Water Level Fluctuations, Chlorine, Bicarbonate in groundwater using a Hybrid Learning Machine

نویسندگان [English]

  • Ali Azizpour 1
  • Mohammad Ali Izadbakhsh 2
  • Saeid Shabanlou 3
  • Fariborz Yosefvand 2
  • Ahmad Rajabi 2
1 Ph.D. Candidate, Department of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran
2 Assistance Professor, Depatment of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran
3 Associated Professor, Depatment of Water Engineering, Kermanshah Branch, Islamic Azad University, Kermanshah, Iran
چکیده [English]

Modeling qualitative and quantitative parameters of groundwater as one of the main water supply resources is crucially important. Due to recent climate changes in Iran, precipitation patterns have been dramatically altered leading to excess withdrawal. In this paper, two meta-heuristic artificial intelligence models are presented to simulate monthly time-series data of quantitative (groundwater level) and qualitative (chlorine and bicarbonate) parameters of groundwater within an observational well situated in the city of Kermanshah, Iran from 2005 to 2018. To define the hybrid artificial intelligence model, the extreme learning machine (ELM), differential evolutionary (DE) algorithms are combined with the wavelet transform and the Self-adaptive extreme learning machine (SAELM) and wavelet self-adaptive extreme learning machine (WSAELM) models are developed. It is worth mentioning that the autocorrelation function is utilized for detecting effective lags of the time-series data. Moreover, 70% of the observed data are used for training the artificial intelligence models and the remaining 30% for testing them. Then, using these influencing lags, different models are defined for the SAELM and WSAELM models. Also, different mother wavelets are assessed to choose the most optimal one for decomposing signals of the time-series data. After that, superior models for simulating GWL, Cl and HCO3 are introduced by performing a sensitivity analysis. For instance, the values of the correlation coefficient (R), the variance accounted for (VAF) and Nash-Sutcliff efficiency Coefficient (NSC) for the superior WSAELM model are obtained to be 0.988, 97.450 and 0.973, respectively. It should be noted that for forecasting HCO3 the lags (t-1), (t-2), (t-3) and (t-4) are identified as the most influencing lags of the time-series data. The utilization of an uncertainty analysis exhibited that the superior model has an underestimated performance in simulating Cl and HCO3. Finally, three formulae are presented for computing GWL, Cl and HCO3.

کلیدواژه‌ها [English]

  • Bicarbonate
  • Chlorine
  • Groundwater level
  • Self-adaptive extreme learning machine
  • Wavelet transform

مراجع

ترابی، ح، نصرالهی، ع.ح.، دهقانی، ر.، 1398. ارزیابی مدل شبکه عصبی موجک در پیش‌بینی منابع آب زیرزمینی استان لرستان. هیدروژئولوژی، انتشار آنلاین از تاریخ 24 مهر 1398.
دانشور وثوقی، ف.، 1399. استفاده از رفع نویز موجکی در بررسی روند تراز آب زیرزمینی (مطالعه موردی: دشت اردبیل). هیدروژئولوژی، دوره 5، شماره 1، 61-72.
دانشور وثوقی، ف.، کریمی، ع.، 1397. استفاده از روش‌های پیش‌ پردازش SOM و تبدیل موجک در پیش‌بینی تراز آب زیرزمینی (مطالعه موردی: دشت آذرشهر). هیدروژئولوژی، دوره 3، شماره 1، 15-32.
نیکبخت، ج.، نوری، س. 1395. پیش‌‌بینی تراز آب زیرزمینی با کمک شبکه‌های موجک-عصبی (مطالعه موردی: دشت مراغه-آذربایجان‌شرقی). هیدروژئولوژی، دوره 1، شماره 1، 29-43.
Sivapragasam, C., Kannabiran, K., Karthik G., Raja, S., 2015. Assessing suitability of GP modeling for groundwater level. Aquatic Procedia, 4: 693-699.
Nourani, V., Alami, M.T., Vousoughi, F.D., 2016. Hybrid of SOM-clustering method and wavelet-ANFIS approach to model and infill missing groundwater level data. Journal of Hydrologic Engineering, 21(9): 05016018.
Zhang, N., Xiao, C., Liu, B., Liang, X., 2017. Groundwater depth predictions by GSM, RBF, and ANFIS models: a comparative assessment. Arabian Journal of Geosciences, 10. https://doi.org/10.1007/ s12517-017-2954-8.
Malekzadeh, M., Kardar, S., Shabanlou, S., 2019. Simulation of groundwater level using MODFLOW, extreme learning machine and Wavelet-Extreme Learning Machine models. Groundwater for Sustainable Development, 9: 100279. https://doi.org/10.1016/j.gsd.2019.100279.
Huang, S., Liu, C., Wang, Y., Zhan, H., 2014. Multivariate analysis of the heterogeneous geochemical processes controlling arsenic enrichment in a shallow groundwater system. Journal of Environmental Science and Health, Part A, 49(4): 478-489.
Barzegar, R., Fijani, E., Moghaddam, A.A., 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.
Kisi, O., Keshavarzi, A., Shiri, J., Zounemat-Kermani, M., Omran, E.S.E., 2017. Groundwater quality modeling using neuro-particle swarm optimization and neuro-differential evolution techniques. Hydrology Research, 48(6): 1508-1519.
Mohammadrezapour, O., Kisi, O., Pourahmad, F., 2018. Fuzzy c-means and K-means clustering with genetic algorithm for identification of homogeneous regions of groundwater quality. Neural Computing and Applications, 32: 363-375.
RadFard, M., Seif, M., Hashemi, A.H.G., Zarei, A., Saghi, M.H., Shalyari, N., Samaei, M.R., 2019. Protocol for the estimation of drinking water quality index (DWQI) in water resources: Artificial neural network (ANFIS) and Arc-Gis. MethodsX, 6: 1021-1029.
Huang, G.B., Zhu, Q.Y., Siew, C.K., 2006. Extreme learning machine: theory and applications. Neurocomputing, 70(1): 489-501.
Cao, J., Lin, Z., Huang, G.B., 2012. Self-adaptive evolutionary extreme learning machine. Neural Process. Lett. 36, 285–305.
Storn, R., Price, K., 1997. Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces. Journal of global optimization, 11(4): 341-359.
Huang, G.B., Zhou, H., Ding, X., Zhang, R., 2012. Extreme learning machine for regression and multiclass classification. IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), 42(2): 513-529.
Azimi, H., Bonakdari, H., Ebtehaj, I., Gharabaghi, B., Khoshbin, F., 2018. Evolutionary design of generalized group method of data handling-type neural network for estimating the hydraulic jump roller length. Acta Mechanica, 229(3): 1197-1214.
هیدروژئولوژی
دوره 6، شماره 1
ناشر
شهریور 1400
صفحه 99-113

فایل ها

هم رسانی

ارجاع به این مقاله

آمار