عنوان

مطالعه هیدروژئولوژیکی محدوده متروی شهر تبریز با استفاده از مدلهای شبکه عصبی

‭۱۷۲۰۳پ‬

per

مطالعه هیدروژئولوژیکی محدوده متروی شهر تبریز با استفاده از مدلهای شبکه عصبی

/مرضیه داداش بابا

: علوم طبیعی

، ‮‭۱۳۹۵‬

چاپی

کارشناسی ارشد

زمین شناسی گرایش زمین شناسی اقتصادی

‮‭۱۳۹۵/۱۰/۳۰‬

تبریز

توسعه ساخت پروژه های مهندسی در شهرهای کلان و نیاز به مدیریت منابع آب زیرزمینی، محققین حوزه مطالعات آبهای زیرزمینی را ملزم به مدلسازی، تخمین و پیش بینی شرایط هیدروژئولوژیکی حاکم بر آبخوانها در مناطق شهری ساخته است .هدف از این تحقیق مدل سازی و پیش بینی پارامتر هدایت هیدرولیکی در محدوده مترو شهر تبریز و همچنین مدلسازی و پیش بینی سطح آب زیرزمینی در محدوده دشت تبریز میباشد .آبخوان محدوده متروی شهر تبریز آبخوانی چندلایه و پیچیده است که تا حال به این دلیل امکان مدلسازی دقیق عددی موفق آن برای تخمین هدایت هیدرولیکی با استفاده از داده های پمپاژ موجود از منطقه وجود نداشته است .لذا اجرای پروژه متروی شهر تبریز که از ‮‭۵‬ خط)شامل ‮‭۱‬ خط اصلی و ‮‭۹‬ خط حومه (جمعا به طول ‮‭۱۰۰‬ کیلومتر تشکیل شده است، نیاز به بررسی دقیق و تخمین هدایت هیدرولیکی در مناطق فاقد داده دارد .مدلهای هوش مصنوعی برخلاف آزمونهای صحرایی و آزمایشگاهی، دارای این قابلیت هستند که در زمانی کوتاه تر با صرف هزینه کمتر و با داده های در دسترس محدود، تخمین قابل قبولی از پارامترهای هیدروژئولوژیکی مانند هدایت هیدرولیکی ارائه دهند .بررسی مناطقی با هتروژنیتی بالای هیدروژئولوژیکی همانند شهر تبریز، نیازمند استفاده از روشهای دسته بندی هوش مصنوعی برای ساده سازی مدلها و بهبود نتایج مدل دارد .در این تحقیق ابتدا از روشهای هوش مصنوعی ‮‭FUZZY‬ و ‮‭GEP‬به صورت منفرد برای پیش بینی هدایت هیدرولیکی شهر تبریز استفاده شد و سپس دسته بندی محدوده مطالعاتی با استفاده از روش ‮‭SOM‬ انجام شده و مدل های‮‭FL - SOM‬و‮‭GEP - SOM‬به صورت ترکیبی اجرا شدند . .پیش بینی هدایت هیدرولیکی برای هر کدام از دسته ها با مدلهای ترکیبی توانست سبب افزایش دقت مدل، کاهش میزان، خطا و کارایی بالای مدل شود .به طوریکه راندمان مدل ترکیبی فازی ساگنو، ممدانی و لارسن به ترتیب در مرحله آموزش ‮‭۲۱ ۱۷‬ و ‮‭۱۶‬ درصد برای ‮‭۴‬ دسته نسبت به راندمان مدلهای فازی منفرد افزایش نشان داد .در بخش دوم این تحقیق با استفاده از توانایی مدلهای هوش مصنوعی مختلف پیش بینی سطح آب زیرزمینی در دشت تبریز انجام شد .اهمیت آبخوان دشت تبریز را ازچهار نقطه نظر میتوان بررسی کرد :الف) تامین نیاز آبی ب) مدیریت و مدلسازی سطح آب زیرزمینی در این دشت میتواند نقش بسزایی در بهبود بحران پیشروی دریاچه ارومیه داشته باشد .ج) تاثیر نوسانات سطح آب زیرزمینی بر روی پروژههای مهندسی د) تغییرات سطح آب و شناخت دقیق این آبخوان میتواند در مدیریت صحیح دریاچه ارومیه نیز تاثیرگذار باشد .مدلهای تجربی از جمله روشهای هوش مصنوعی میتوانند در زمانی کوتاهتر با صرف هزینه کمتر و با داده های در دسترس محدود، نتایج ارزشمندی را ارائه دهند .لذا جهت مدیریت و شناخت خصوصیت آبخوان دشت تبریز، اقدام به مدلسازی و پیش بینی سطح آب زیرزمینی شد .در این پیش بینی از روشهای شبکه عصبی ‮‭FUZZY‬ ، ‮‭NF‬ ، ‮‭ANN‬ و ‮‭GEP‬ استفاده شد .بیشترین و کمترین میزان خطا به ترتیب مربوط به مدل فازی ساگنو، شبکه عصبی، برنامه ریزی بیان ژن و نروفازی به دست آمد.

ANN and GEP) was used. The highest and lowest Efficiency rate respectively was for fuzzy, sugeno, Neuro-Fuzzy, Gene expression programming and Neuro-Fuzzy) ، NF، Development Engineering projects producing In large cities, And the need to manage groundwater resources, Researchers of Ground waters Studies force to modeling, estimating and forecasting about Hydrogeological conditions of the aquifer in urban areas. Purpose of this research is Modeling and predicting the hydraulic conductivity parameters in the subway area and also Modeling and prediction of groundwater level in the range of Tabriz Plain. Tabriz aquifer area is a complex and multi-layered aquifer, for this reason, until now it wasnt possible to catch successful and exact number model For estimating hydraulic conductivity with Using data from existing pumping region. So perform Tabriz subway project that including 5 line (4 main lines and 1 Suburbs line) with the length of 100 km, needs to Scrutiny and estimating hydraulic conductivity in regions without data. Artificial Intelligence Models against Field and laboratory tests, have this ability that can give Reasonable estimate from Hydrogeological parameters such as hydraulic conductivity with Lower costs in shorter time. Study hydrogeological areas with more Heterogeneity likes Tabriz city, needs to use from artificial intelligence Classification for Simplify models and improve model results. in this research, at the beginning Artificial intelligence methods(FUZZY and GEP) was used Singular for Predict hydraulic conductivity in Tabriz city And then Classification study area by using SOM performed method and SOM-GEP and SOM-FL method was done combination. Piezometers Classification of third subways lines with SOM Categories. So that Efficiency of Sagno, Mamadani and Larsen fuzzy combination model in the train phase respectively 21,17,16 percent and for Testing phase 16,16,14 percent was increased for 4 categories Efficiency compared to single-phase models. In the second part of this study, Prediction of groundwater level was done in Tabriz plain, by using ability of different models of artificial intelligence. The importance of Tabriz plain aquifer can be examined from four points of view: 1) provision Water requirement: 2) modeling Groundwater level in this plain can be affecting in save Urmia lake. 3) The influence of fluctuations in groundwater levels on engineering projects.This suggests necessity of Modeling groundwater levels .4) Water level changes and Recognizing careful this aquifer can be effect on the correct management of Urmia Lake. Experimental models Including artificial intelligence methods can gives valuable results with Spending less and Limited data available in shorter time. So To management and identify the characteristics of the Tabriz plains aquifer, groundwater level was Modeled and predicted. The prediction of neural network techniques (FUZZY

داداش بابا، مرضیه

ندیری، عطاالله، استاد راهنما

اصغری مقدم، اصغر، استاد مشاور

سیاه و سفید

نمایه‌سازی قبلی