مدل‌سازی پارامترهای کیفی SAR ، EC و TDS در آب زیرزمینی با استفاده از مدل شبکه عصبی مصنوعی بهینه شده (مطالعه موردی: دشت بهبهان)

نوع مقاله: مقاله اصلی

نویسندگان

1 دانشجوی کارشناسی‌ارشد، گروه مهندسی عمران، دانشکده فنی و مهندسی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران

2 استادیار، گروه علوم و مهندسی آب، دانشکده کشاورزی و منابع طبیعی، واحد اهواز، دانشگاه آزاد اسلامی، اهواز، ایران.

10.22034/jewe.2020.238871.1384

چکیده

مدل­سازی مناسب کیفیت آب زیرزمینی از ابزارهای مهم برنامه­ریزی و تصمیم­گیری در مدیریت منابع آب است. پژوهش حاضر به‌منظور شبیه‌سازی پارامترهای کیفی آب زیرزمینی دشت بهبهان شامل SAR، EC و TDS با استفاده از مدل‌های ANN و ANN+PSO و درنهایت مقایسه نتایج آن‌ها با داده‌های اندازه‌گیری شده‌، انجام شد. اطلاعات ورودی به مدل‌ها برای پارامتر کیفی TDS شامل هدایت الکتریکی، نسبت جذبی سدیم، سولفات، کلسیم، منیزیم و سدیم و برای پارامتر کیفی SAR شامل مقدار کل نمک‌های محلول، سدیم، بی‌کربنات و برای پارامتر کیفی EC شامل سولفات، کلسیم، منیزیم و نسبت جذبی سدیم، از سال 1389 تا 1396 جمع‌آوری‌شد. نتایج نشان داد بالاترین دقت شبیه­سازی پارامترهای کیفی EC و TDS مربوط به مدل ANN+PSO با تابع محرک تانژانت سیگموئیدی و برای پارامتر SAR مربوط به مدل ANN+PSO با تابع محرک لگاریتم سیگموئیدی بود ‌طوری‌که مقدار آماره‌های RMSE و MAE کم­ترین مقدار و  بیش­ترین مقدار را برای مدل مذکور داشت. در مرحله آزمون، برای پارامتر EC مقدار 61/14RMSE=، 27/9MAE=، 41/0NRMSE =، 942/0 EF =و 96/0= R2و برای پارامتر TDS، مقدار 21/22RMSE=، 32/18MAE=، 398/0NRMSE =، 925/0EF = و 836/0= R2و برای پارامتر SAR مقدار 45/9RMSE=، 2/7MAE=، 301/0NRMSE =، 974/0 EF = و 982/0= R2محاسبه شد. همچنین نتایج آزمون مقایسه میانگین­ها بین داده­های اندازه­گیری و شبیه‌سازی‌شده نشان داد، بین مقادیر شبیه‌سازی‌شده به­وسیله مدل­ها با داده­های اندازه­گیری شده اختلاف معنی­دار وجود نداشت.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Modeling Qualitative Parameters of SAR, EC, and TDS in Groundwater using Optimized Artificial Neural Network Model (Case Study: Behbahan Plain)

نویسندگان [English]

  • Kimia Ahaninjan 1
  • Aslan Egdernezhad 2
1 M. Tech. Student, Department of Civil Engineering, Faculty of Engineering, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran
2 Assist. Professor, Department of of Water Sciences and Engineering, Faculty of Agriculture and Natural Resources, Ahvaz Branch, Islamic Azad University, Ahvaz, Iran
چکیده [English]

Proper modeling of groundwater quality is an important tool for planning and decision making in water resources management. The present study was conducted to simulate the groundwater quality parameters of Behbahan Plain including SAR, EC, and TDS using ANN and ANN + PSO models and finally to compare their results with the measured data. Input information to the models gathered were for TDS quality parameter including electrical conductivity, absorption ratio of sodium, sulfate, calcium, magnesium and sodium, for SAR quality parameter including total dissolved salts, sodium, bicarbonate, and for EC quality parameter including sulfate, calcium, magnesium and ratio Sodium uptake from 2010 to 2017. The results indicated that the highest prediction accuracy of quality parameters of EC and TDS is related to the ANN + PSO model with the tangent sigmoid activation function and for the SAR parameter is related to the ANN + PSO model with the logarithm sigmoid activation function so that the MAE and RMSE statistics had the minimum and R2 had the maximum value for the model. In the test phase the values calculated were for EC parameter RMSE=14.61, MAE=9.27, NRMSE=0.41, EF=0.942, and R2=0.96 and for TDSparameter RMSE=22.21, MAE=18.32, NRMSE=0.398, EF=0.925, and R2=0.836 and for SARparameter RMSE=9.45, MAE=7.2, NRMSE=0.301, EF=9.27, and R2=0.974. In addition, the results of the mean comparison between measured and simulated data showed that the predicted values with models were not significantly different with the measured date.

کلیدواژه‌ها [English]

  • Artificial Neural Networks Model
  • Groundwater
  • Quality parameters
  • Simulation
Abbasi P., Mehrdadi N., Nabi R. and Zare Abyaneh H. (2013). Application of artificial neural network to predict total dissolved solids variations in groundwater of Tehran Plain, Iran. Int. J. Environ. Sustain., 2(1), 10-20.
Arumugam M. S. and Rao M. V. C. (2008). On the improved performances of the particle swarm optimization algorithms with adaptive parameters, cross-over operators and root mean square (RMS) variants for computing optimal control of a class of hybrid systems. Appl. Soft Comput. J., 8, 324–336.
Asadollahfardi A., Taklifi Gh. and Ghanbari A. (2012). Application of artificial neural network to predict TDS in Talkheh Rud River. J. Irrig. Drain. Eng., 138(4), 363–370.
Asgari M. S., Arya Far A. and Darvari Z. (2013). Prediction of EC, TDS and TH qualitative parameters in Birjand Plain groundwater using artificial neural network. 7th Iranian Geological Engineering and Environmental Conference, Shahroud University of Technology, Semnan, Iran [In Persian].
Banejad H., Kamali M., Amirmoradi K. and Olyaie F. (2013). Forecasting some of the qualitative parameters of rivers using wavelet artificial neural network hybrid (W-ANN) model (Case of study: Jajroud River of Tehran and Gharaso River of Kermanshah). J. Health Environ., 6(3), 277-294 [In Persian].
Daryaee M., Eigder Nejad A., Bina M. and Radmanesh F. (2010). Effect of river water quality factors on EC and TDS using artificial neural networks. 8th Seminar on River Engineering, Shahid Chamran University of Ahvaz, Ahvaz, Iran [In Persian].
Eberhart R. and Shi Y. (2000). Comparing inertia weights and constriction factors in particle swarm, in: Proceedings of the Congress on Evolutionary Computation, 16-19 Jul 2000, La Jolla; p. 84–88.
Gholami V., Derakhshan Sh. and Darvari Z. (2013). Investigation of multivariate regression and artificial neural network in simulation of groundwater salinity in Mazandaran Province. J. Water Res. Agri., 26(3), 353-365 [In Persian].
Kanda E. K., Kipkorir E. C. and Kosgei J. R. (2016). Dissolved oxygen modelling using artificial neural network: a case of river nzoia, lake victoria basin, kenya. J. Water Secur., 2(1), 1-7.
Hill M. (1998). Methods and guidelines for effective model calibration. U.S. Geological survey Water- Resources Investigations Rep., 98-4005.
Kurepazan A. (2004). The principles of fuzzy set theoryand its applications. Publications Amir Kabir University Jihad [In Persian].
Mirzavand M., Sadati Nrjad M. and Akbari M. (2015). Simulation Changes in groundwater quality with artificial neural network model (Case study: Kashan aquifer). Iran. J. Nat. Resour., 68 (1), 159-171 [In Persian].
Musavi-Jahromi Sh. and Golabi M. (2008). Application of artificial neural networks in the river water quality modeling: Karoon river. J. Appl. Sci., 8 (12), 2324-2328.
Minhaj M. B. (2005). Fundamentals of artificial neural networks. Amirkabir University Press [In Persian].
Nasr M. and Farouk H. (2014). Using of pH as a tool to predict salinity of groundwater for irrigation purpose using artificial neural network. Egypt. J. Aqua. Res., 40(2), 111-115.
Peeri H. and Bameri A. (2015). Estimation of sodium absorption ratio (SAR) in groundwater using multivariate linear vibration of artificial neural network (Case study of Bajestan Plain). J. Water Resour. Engi., 7(21), 67-79 [In Persian].
Poormohammadi S., Malekinezhad H. and Poorshareyati R. (2013).Comparison of ANN and time series appropriately in prediction of ground water table (Case Study: Bakhtegan basin). J. Water Soil Conserv., 20(4), 251-262 [In Persian].
Sayadi Shahraki A., Soltani Mohammadi A., Naseri A. A. and Mokhtaran A. (2017). Simulation of groundwater salinity using artificial neural network (ANN), particle swarm optimization (PSO) and model SEAWAT (Case study: Debal khazaie sugarcane plantation). J. Water Soil Conserv., 23(5), 307-316 [In Persian].
Sayadi Shahraki F. and Sayadi Shahraki A. (2019). Simulation of electrical conductivity of Behbahan Plain using ANN and ANN-PSO models. J. Water Wastewater, 4(1), 34-41 [In Persian].
Soltani Mohammadi A., Sayadi Shahraki A. and Naseri A. A. (2016). Simulation of groundwater quality parameters using ANN and ANN+PSO Models (Case Study: Ramhormoz Plain). J. Pollut., 3(2), 191-200.