عنوان

تعیین پارامترهای آبخوان تحت فشار با استفاده از مدل شبکههای عصبی مصنوعی و مدل نروفازی

‭۱۹۱۵۳پ‬

per

تعیین پارامترهای آبخوان تحت فشار با استفاده از مدل شبکههای عصبی مصنوعی و مدل نروفازی

/حامد محمودی حاجیلاری

: علوم طبیعی

، ‮‭۱۳۹۶‬

، میرزائی

چاپی

کارشناسی ارشد

زمین شناسی گرایش آب شناسی

‮‭۱۳۹۶/۱۱/۱۶‬

تبریز

در این مطالعه، جهت تعیین پارامترهای هیدرودینامیکی آبخوان محبوس از مدل‌های شبکه عصبی مصنوعی، فازی و نروفازی به عنوان یک روش مناسب در مدلسازی پارامترهای دارای عدم قطعیت استفاده شد که به نظر می رسد می تواند بر نقایص روش معمول گرافیکی فایق آید .اساس این روش، ترکیب روش‌های شبکه عصبی مصنوعی، فازی، نروفازی و راه حل تحلیلی تایس می باشد .روش پیشنهاد شده بر اساس نرمال سازی داده‌ها و به کار گرفتن روش آنالیز مولفه‌های اصلی) ‮‭(PCA)‬ سامانی و همکاران، ‮‭۲۰۰۷)‬ بر الگوهای آموزش حاصل از روش لین و چن ‮‭(۲۰۰۶)‬ توسعه یافته است .ابتدا تابع چاه آبخوان محبوس با استفاده از ‮‭۱۰۲۰۵‬ الگوی آموزش به مدل نروفازی آموزش داده شد سپس عملکرد مدل‌ها با استفاده از ‮‭۱۰۰۰‬ مجموعه از داده‌های سنتزشده آزمایش شد .این مدل‌ها با فرض انطباق کامل منحنی تیپ و افت مشاهده‌ای، مختصات نقطه انطباق مربوط به اولین داده افت زمان در هر مجموعه رکوردهای آزمون پمپاژ را تعیین می کند که با استفاده از معادله تایس می توان پارامترهای آبخوان محبوس را محاسبه نمود .اما از آنجایی که با استفاده از داده‌های افت-زمان اولیه نمی‌توان پارامترهای آبخوان را با دقت بالایی محاسبه نمود بنابراین جهت برطرف نمودن این مشکل و تعیین مختصات نقطه بهینه، خروجی حاصل از هر سه مدل برای هر کدام از رکوردهای افت-زمان به عنوان نقطه انطباق در نظر گرفته شد و با استفاده از آنها پارامترهای آبخوان محاسبه گردید .رکوردی که پارامترهای آبخوان محاسبه شده توسط آن، کمترین ریشه میانگین مربعات خطای نسبی ‮‭(RRMSE)‬ برای افت تخمین زده شده را می دهد به عنوان نقطه انطباق بهینه در نظر گرفته شد .دقت، قابلیت اطمینان و توانایی تعمیم این مدل‌های شبکه عصبی مصنوعی، فازی و نروفازی از طریق آزمایش آن با داده‌های افت-زمان واقعی تأیید شد .سپس نتایج حاصل از این مدل‌ها باهم و با نتایج به دست آمده از روش گرافیکی تایس مقایسه گردید .به نظر می‌رسد این سه مدل شبکه عصبی، فازی و نروفازی پیشنهاد شده روشی ساده‌تر، دقیق‌تر و گزینه جایگزین بهتری نسبت به روش‌های گرافیکی انطباق با منحنی‌های تیپ جهت تعیین پارامترهای آبخوان محبوس باشد

In this study, ANN, fuzzy logic and neuro- fuzzy were used as a suitable method in the modeling of uncertainty parameters to determine the hydrodynamic coefficients of the confined aquifer which seems to be able to overcome the defects of the adaptive graphical methods. The basis of this method is the combination of ANN, fuzzy inference model, neuro- fuzzy model and Theis analytical solution. The proposed approach is developed by normalizing and applying the principal component analysis (PCA) (Samani et al, 2007) on adopted training data pattern from Lin and Chen approach (2006). First, the well function of confined aquifer was trained using a 10205 learning pattern to three models, then the model's performance was tested using 1000 sets of synthetic data. Previous networks assume a full superposition of the type curve and the observed time-drawdown curve and determine coordinates of the match point related to the first time-drawdown record of any pumping test data. But since, the first time-drawdown data is not error-free, the output of the three models for all time-drawdown records is considered as the match point and the aquifer parameters were calculated. The record that gives the lowest RRMSE for the estimated drawdown is considered as the optimal match point in determining the aquifer parameters. The accuracy, reliability and generalization ability of the proposed ANN, fuzzy and neuro- fuzzy is verified by real time-drawdown field data. Then, the results were compared with together and that of Theis solution. The proposed ANN, fuzzy logic and neuro- fuzzy model appear to be a simpler and more accurate alternative to the type curve-matching techniques

محمودی حاجیلاری، حامد

ندیری، عطالله، استاد راهنما

آذری، طاهره، استاد مشاور

سیاه و سفید

نمایه‌سازی قبلی