Estimation of Hydraulic Conductivity of Barug Aquifer Using Sugeno and Mamadani Fuzzy Models

Document Type : Research paper

Authors

1 M.S.c in Hydrogeology, Faculty of Science, Urmia University

2 Assistant Professor, Department of Geology, Faculty of Science, Urmia University,Iran

3 Assosiat Professor, Faculty of Science, Tabriz University, Tabriz

4 Hydrology Ph.d student, natural sciences department, university of Tabriz, Tabriz

Abstract

       Groundwater system is a complex and heterogeneous system and estimation of hydrogeological parameters with classical methods such as laboratory methods, slug test, tracing and pumping tests are associated with inherent uncertainties and are costly and time consuming. Therefore, artificial intelligence methods have been used to hydraulic conductivity estimation, can reduce the uncertainty of this variable and increase the accuracy of calculation for overcoming to defects of classical methods. In the meantime, the optimal management of this demand and the prevention of aquifers destruction and groundwater resources, requires the accurate recognition of hydrodynamic parameters. In this study, Sugeno fuzzy logic (SFL) and Mamdani fuzzy logic (MFL models) were used to hydraulic conductivity estimation of the Barug aquifer. In this regard, the data of electrical conductivity (EC), saturation zone thickness (B) and transverse aquifer resistance (RT) were used as input data of the model. Finally, in order to obtain the most ideal model, the RMSE and R2 were calculated for both models and the two models were compared. The results indicate that Sageno fuzzy model had a better performance with coefficient function and root mean square error being receptively R2=0.94 and RMSE=0.045 in comparison with mamdani model for estimating hydraulic conductivity.

Keywords

References

محتشم، م.، دهقانی، آ.، اکبرپور، آ.، اعتباری، ب.، 1389. ارزیابی مدل شبکه­های بیزین در پیش­بینی ماهانه سطح آب زیرزمینی (مطالعه موردی: آبخوان بیرجند). مدیریت آب و آبیاری، دوره5، شماره2، 151-139.
یوسف‌زاده، س.، نادری، ع.، صادق فام، س.، 1395. مقایسه شبکه عصبی مصنوعی و سیستم استنتاج فازی در برآورد هیدرولوژیکی با استفاده از داده­های ژئوفیزیک (مطالعه موردی: دشت مراغه بناب). سومین کنفرانس بین‌المللی مهندسی عمران.
ندیری، ع.، اصغری مقدم، ا.، عبقری، ه.، کلانتری اسکویی، ع.، حسین­پور، ع.، حبیب­زاده، ا.، 1393. مدل منطق فازی در تخمین قابلیت انتقال آبخوان‌ها مطالعه موردی: دشت تسوج. مجله دانش آب و خاک، دوره 24، شماره1، 223-209.
ندیری، ع.، واحدی، ف.، اصغری مقدم، ا.، کدخدایی، ع.، 1395. استفاده از مدل هوش مصنوعی مرکب نظارت شده برای پیش‌بینی سطح آب زیرزمینی، فصلنامه مهندسی عمران و محیط زیست دانشگاه تبریز، دوره 46، شماره 84.
حبیبی، م.ح. 1393. پیش­بینی سطح آب زیرزمینی در دشت هادیشهر با استفاده از روش­های هوش مصنوعی. پایان‌نامه کارشناسی ارشد، دانشکده علوم طبیعی، دانشگاه تبریز، 150ص.
مصطفی‌زاده، ر.، مهری، س.، اسمعیلی عوری، ا.، قربانی، ا. 1395.گروه‌بندیآبخیز‌هابر اساسخصوصیاتفیزیکیودبی پایهجریانرودخانهباروش‌هایمختلفخوشه‌بندی دراستاناردبیل، ترویج و توسعه آبخیزداری، دوره 4، شماره 15، 31-40.
ودیعتی، م.، اصغری مقدم، ا.، نخعی، م.، 1396.تبیین تحولات رخساره‌های هیدروشیمیایی آبخوان سراب با استفاده از روش‌های خوشه‌بندی میانگین فازی و تحلیل خوشه سلسله مراتبی، مجله اکوهیدرولوژی، دوره 4، شماره3، 763-773.
نادری، ک.، 1393. پیش‌بینی زمانی و مکانی سطح آب زیرزمینی با استفاده از روش‌های هوش مصنوعی و زمین‌آمار (مطالعه موردی: آبخوان دشت دوزدوزان)، پایان‌نامه کارشناسی ارشد، دانشکده علوم طبیعی، دانشگاه تبریز، 134ص.
Ayvaz M.T, Karahan H, Aral M.M., 2007. Aquifer parameter and zone structure estimation using kernel-based fuzzy c-means clustering and genetic. Journal of Hydrology. (343): 240-253.
Nadiri A, vahedi F., 2005. Use of Artificial Intelligence Models Supervised to predict groundwater level. Journal of Civil and Environmental Engineering. (3): 84-99.
Nadiri A.A, Chitsazan N, Frank T.C, Tsai M.ASCE3, AsghariMoghaddam A, 2014. Bayesian Artificial Intelligence Model Averaging for Hydraulic Conductivity Estimation. Journal of Hydrologic Engineering. (19): 520-532.
Norouzi, H., Asghari Mogaddam, A. and Nadiri, A.A. 2016. Determining vulnerable areas of Malikan Plain Aquifer for Nitrate, Using Random Forest method. Journal of Environmental Studies. 41(4): 923-94.
Norouzi, H., Nadiri, A.A., Moghaddam, A.A., Gharekhani, M. 2018. Comparing Performans of Fuzzy Logic, Artificial Neural Network and Random Forest Models in Transmissivity Estimation of Malekan Plain Aquifer, Journal of ecohydrology. 5(3): 739-751. doi.org/10.22059/ije.2018.239914.707
Ross, J., Ozbek, M., Pinder, G., 2007. Hydraulic conductivity estimation via fuzzy. Math Geology. 39(8). 765-780.
Vernieuwe H, Verhoest N.E.C, De Baets B, Hoeben R, De Trocch F.P, 2007. Cluster-based fuzzy models for groundwater flow in the unsaturated zone.Advance in Water Resources. (30):701-714.
Zadeh.L.A., 1965. Fuzzy sets, information and control. 8(3):338-353.
 
                 
Hydrogeology
Volume 3, Issue 2
Publisher
May 2019
Pages 1-9

Files

Share

How to cite

Statistics