استفاده از مدل هوش مصنوعی مرکب نظارت شده برای پیش‌بینی سطح آب زیرزمینی

نوع مقاله : یادداشت پژوهشی

نویسندگان

1 دانشکده علوم طبیعی، دانشگاه تبریز

2 دانشجوی کارشناسی ارشد دانشکده علوم طبیعی، دانشگاه تبریز

چکیده

منابع آب زیرزمینی از مهم­ترین منابع تأمین آب هستند، لذا مدل­سازی آن­ها حائز اهمیت می­باشد. در این میان مطالعه و بررسی نوسانات سطح آب زیرزمینی از نظر مطالعات مدیریتی، ایجاد سازه­های مهندسی، مصارف کشاورزی و حصول آب­های زیرزمینی با کیفیت بالا از اهمیت بالایی برخوردار است. عمده تقاضا برای آب شرب و کشاورزی در دشت مشگین­شهر نیز از طریق آب زیرزمینی تأمین می­شود. در این تحقیق چهار مدل هوش مصنوعی که عبارتند از شبکه عصبی پیشرو، شبکه عصبی برگشتی، منطق فازی ساگنو و ماشین­بردار پشتیبان برای پیش­بینی سطح آب زیرزمینی استفاده شدند. با توجه به نزدیک بودن نتایج به دست آمده و با توجه به این مسئله که مدل­های مختلف در مراحل مختلف مدل­سازی نتایج متفاوتی ارائه دادند، انتخاب یکی از مدل­ها به عنوان مدل منتخب معقول به نظر نمی­رسید. لذا از ترکیب غیر خطی این چهار مدل که مدل هوش مصنوعی مرکب نظارت شده نامیده می­شود، برای ترکیب نتایج این مدل­ها استفاده شد تا نتایج به دست آمده تقویت شده و از توانایی مدل­های مختلف به طور هم­زمان استفاده شود. به منظور ارزیابی کارایی و دقت مدل­ها در پیش­بینی، از دو معیار مختلف RMSE و R2 استفاده شد. نتایج نشان دادند که مدل SCMAI با مقادیر R2 برابر 85/0 و 90/0 به ترتیب برای پیزومترهای شماره 1 و 2 در مرحله آموزش بهترین پیش­بینی را نسبت به هر کدام از چهار مدل منفرد هوش مصنوعی ارائه کرده است. همچنین مدل SCMAI توانست RMSE پیش­بینی را تا 9% درصد برای پیزومتر شماره یک و 17% درصد برای پیزومتر شماره دو کاهش دهد.

کلیدواژه‌ها


عنوان مقاله [English]

Supervised Intelligent Committee Machine Method for Groundwater Level Prediction

نویسندگان [English]

  • Ata Allah Nadiri 1
  • Fatemeh Vahedi 2
  • Asghar Asghari Moghaddam 1
  • Ali Kadkhodaie 1
1 Faculty of Natural Science, University of Tabriz
2 Faculty of Natural Science, University of Tabriz
چکیده [English]

Groundwater is an important water resource supplying agricultural, domestic, and industrial needs. Hence, studying and investigation of this vital source is necessary. Over extraction of groundwater cause adverse effects, such as major water level declines [1], consequently water-quality degradation, land subsidence [2], and saltwater intrusion. Therefore, accurate prediction of groundwater level will help planer and managers of water resources and prevent the mentioned effects. The literature shows the success of using artificial intelligence (AI) models in the field of groundwater level such as artificial neural network (ANN) [3], fuzzy logic (FL) [4], and support vector machine (SVM) [5]. Although several studies are reported in the literature that use Supervised committee machine artificial intelligence (SCMAI) as a modeling technique in the field of hydrology e.g. [6] to combine the results of different models to reap the advantages of all AI. This study applied a supervised committee machine with an artificial intelligent (SCMAI) method that replaces linear combination with an artificial neural network. In the SCMAI the ANN receives individual model estimations as input variables and re-predicts the groundwater level.
The Meshginshahr plain is located in Northwest Iran in the Province of Ardabil (Fig. 1). The aquifer of this plain is unconfined. The prevailing climate in this plain is semiarid-cold. The average annual temperature and rainfall are 11.66 ˚C and 292 mm respectively. Sabalan Mount with the height of 4814 meters asml, is the highest point in the study area

کلیدواژه‌ها [English]

  • Groundwater level
  • Artificial neural network
  • Fuzzy
  • Support Vector Machine
  • Supervised intelligence committee machine
[1]     Gardner-Outlaw, T., Engelman, R., "Sustaining Water, Easing Scarcity: A Second Update", Population International, Washington DC, 1997.
[2]     Ning, R., "Reverse Osmosis Process Chemistry Relevant to the Gulf", Desalination, 1999, 123 (2-3), 157-164.
[3]     Mohsen, M. S., Al-Jayyousi, O. R., "Brackish Water Desalination: An Alternative for Water Supply Enhancementin Jordan", Desalination, 1999, 124, 163-174.
[4]     Vergili, I., Kaya, Y., Sen, U., Gönder, Z. B., Aydiner, C., "Techno-Economic Analysis of Textile Dye Bath Wastewater Treatment by Integrated Membrane Processes under the Zero Liquid Discharge Approach", Resources, Conservation and Recycling, 2012, 58, 25-35.
[5]     Li, M., "Reducing Specific Energy Consumption in Reverse Osmosis (RO) Water Desalination: An analysis from First Principles”, Desalination, 2011, 276 (1–3), 128-135.
[6]     Bond, R., Veerapaneni, S., "Zero Liquid Discharge for Inland Desalination", Awwa Research Foundation, US, 2007.
[7]     Ning, Y. R., Troyer, T. L., "Tandom Reverse Osmosis Pprocess for Zero-Liquid Discharge", Desalination, 2009, 237 (1-3), 238-242.
[8]     Oren, Y., Korngold, E., Daltrophe, N., Messalem, R., Volkman, Y., Aronov, L., Weismann, M., "Pilot Studies on High Recovery BWRO-EDR for Near Zero Liquid Discharge Approach", Desalination, 2010, 261 (3), 321-330.
[9]     Nadeem, A. M., Khan, S. H., Mushtaq, S. H., "Management of Treated Pulp and Paper Mill Effluent to Achieve Zero Discharge", Journal of Environmental Management, 2008, 88 (4), 1285-1299.
[10]   Ning, R. Y., Tarquin, A., Trzcinski, M. C., Patwardhan, G., "Recovery Optimization of RO Concentrates from Desert Wells", Desalination, 2006, 20, 315-322.
[11]   Sheikholeslami, R., Tan, S., "Effects of Water Quality on Silica Fouling of Desalination Plants", Desalination, 1999, 126, 267-280.
[12]   Sheikholeslami, R., "Nucleation and Kinetics of Mixed Salts in Scaling", AIChE Journal, 2003, 49, 194-202.