۲۲۹۴۸پ
per
پیش‌بینی سطح آب زیرزمینی و تخمین هدایت هیدرولیکی با استفاده از متوسطگیری مدل های هوش مصنوعی توسط بیزین در آبخوان دشت ارومیه
Prediction of Groundwater Level and Estimation of Hydraulic Conductivity using Bayesian Artificial Intelligence Model Averaging in Urmia Plain Aquifer
/مرجان معظم نیا
: مهندسی عمران
، ۱۳۹۸
، راشدی
۱۵۳ص
چاپی - الکترونیکی
دکتری
عمران گرایش مهندسی ومدیریت منابع آب
۱۳۹۸/۰۳/۱۹
تبریز
در این بررسی پیش‌صبینی تراز آب زیرزمینی و تخمین هدایت هیدرولیکی در دشت ارومیه، در دو سطح مدلسازی شده است .در سطح اول، مدلهای هوش مصنوعی شامل شبکه‌صهای عصبی مصنوعی(ANN) ، منطق فازی ساگنو (SFL) و مدل نروفازی (NF) آموزش داده شده و تست شده‌صاند .در سطح دوم به منظور دستیابی به عمکرد بهتر و همچنین کمی‌صسازی عدم قطعیت، نتایج مدلهای سطح اول توسط میانگین‌صگیری مدل بیزین (BMA) ترکیب شده و عدم قطعیت داخل مدل و عدم قطعیت بین مدلها کمی‌صسازی شده است .نتایج تحقیق نشان دهنده کارایی بالای BMA در پیش‌صبینی تراز آب زیرزمینی و تخمین هدایت هیدرولیکی است .پیش‌صبینی سطح آب زیرزمینی در دشت‌صهای وسیعی همچون دشت ارومیه نیازمند خوشه‌صبندی دشت به مناطق همگن است .در تحلیل خوشه‌بندی چند متغیره، انتخاب پارامترهای ورودی و تعیین وزن‌صهای مربوطه به عنوان نرخ اولویت (PRs) موجب وابستگی نتایج به نظرات کارشناسی می‌صگردد .در این مطالعه یک الگوریتم به نامSOM - GAبراساس هیبرید الگوریتم ژنتیک (GA) و نقشه‌صهای خودسازمانده (SOM) به منظور کاهش نظرات کارشناسی توسعه داده شده استGA .، نرخ اولویت پارامترهای ورودی را توسط بیشینه سازی شاخص سیلهوت (SI) بهینه می‌صکند، درحالی‌صکه با SOM برای محاسبه SI در ارتباط همزمان قرار داردSOM -. GAبرای خوشه‌بندی سطح آب زیرزمینی ۴۸ چاه مشاهداتی در دشت ارومیه، بادرنظرگیری پنج پارامتر ورودی اعمال شده است .نتایج نشان می‌صدهند که در میان پارامترهای ورودی، سه پارامتر دارای مقادیر بالای اولویت هستند که شامل (۱) مختصات چاه‌صهای مشاهداتی، (۲) ارتفاع چاه‌صها، و (۳) سری زمانی سطح آب زیرزمینی هستند .میزان معیار عملکرد SI با استفاده ازSOM - GAبرابر با ۶۱/۰ بوده، در حالی‌صکه بدون اختصاص نرخ اولیت، SI از ۳۸/۰ تجاوز نمی‌صکند .همچنین با استفاده از نرخ‌صهای اولویت بهینه شده، شاخص دیویس بولدین (DB) به عنوان شاخص دیگری برای ارزیابی کیفیت خوشه‌بندی از ۸۴/۰ به ۵۷/۰ کاهش یافته است .الگوریتمSOM - GAمی‌صتواند برای تحلیل سایر مسائل در خوشه‌بندی چندمتغیره اعمال شود .در بخش بعدی استراتژی مدل‌صسازی براساس آمار بیزین برای یادگیری از داده‌صها در دو سطح با استفاده از BMA فرمول‌صبندی شده است .عملکرد مدل پیش‌صبینی سطح آب، با استفاده از داده‌صهای آبخوان ارومیه مورد ارزیابی قرارگرفته که در آبخوان موردنظر به علت نبود روشهای مدیریت مشارکتی آب، آب دریاچه و ۱۲ آبخوان اطراف آن دچار مشکل شده‌صاند .مدل BMA و نتایج آن از آبخوان ارومیه می‌صتواند مبنایی برای جلوگیری از کاهش ذخیره آب در آبهای زیرزمینی را فراهم کند که با توسعه یک سری برنامه‌صهای مدیریتی، از جمله طرح مدیریت حوضه، برنامه-های مدیریت آبخوان، برنامه‌صهای خشکسالی، مطالعات چرخه آب این مسئله امکان پذیرخواهد بود .تحت چنین سیستم مدیریت یکپارچه‌صای، مدل توسعه داده شده به شکل قابل توجهی به عنوان یک ابزار مدیریتی برای آبخوان عمل می‌صکند .تخمین هدایت هیدرولیکی از مهمترین بخش‌صهای مطالعات هیدروژئولوژی بوده که در مدیریت آب‌صهای زیرزمینی حائز اهمیت است .اما به علت محدودیتهای عملی، زمانی و یا هزینه‌صای، اندازه گیری مستقیم آن با دشواری همراه است .لذا استفاده از مدلهای هوش مصنوعی با صرف هزینه کم و کارایی بالا میتوانند جایگزین مناسبی برای آن باشند .از آنجایی که داده‌صهای ورودی) شامل مقاومت عرضی، ضخامت آبخوان، هدایت الکتریکی و فاصله اقلیدسی (و تکنیک‌صهای آموزشی متفاوت در این نوع مدلها به عنوان مهمترین عوامل ایجاد عدم‌صقطعیت هستند، لذا تاثیر منابع مختلف عدم قطعیت در خروجی باید درنظرگرفته شود .استفاده از روش توسعه داده شده برای تخمین هدایت هیدرولیکی در آبخوان دشت ارومیه نشان می‌صدهد اگرچه مقدار ضریب تعیین BMA نسبت به ضریب تعیین بهترین مدل، بالاتر نبوده ولی خروجی BMA حاصل اختصاص وزنهایی است که عدم قطعیت بین مدل‌صها و داده‌صهای ورودی را در نظر می‌صگیرد .با توجه به قرار گرفتن آبخوان دشت ارومیه در مجاورت دریاچه ارومیه و کاهش سطح تراز آب زیرزمینی در اثر بهره-برداری بیش از حد، خطر نفوذ آب شور این آبخوان را در معرض تهدید قرار می‌صدهد .در این تحقیق آسیب پذیری نفوذ آب شور توسط روش GALDIT ارزیابی شده است .نتایج بدست آمده نشان دهنده کارایی پایین روش GALDIT به صورت محافظه کارانه بوده به طوریکه نواحی آسیب‌صپذیر در مقابل نفوذ آب شور را فقط محدود به نوار باریکی در مجاورت خط ساحلی می‌صکند .لذا به منظور افزایش کارایی روش GALDIT از توابع عضویت فازی استفاده شده است .نتایج روش GALDIT اصلاح شده نشان دهنده همبستگی بالای بین شاخص GALDIT اصلاح شده و شاخص کیفیت آب زیرزمینی (GQI) نسبت به نتایج روش GALDIT است
In this study, groundwater level prediction and hydraulic conductivity estimation in Urmia plain are modeled at two levels. At the first level, Artificial Neural Network (ANNs), Sugeno Fuzzy Logic (SFL) and Neuro-Fuzzy (NF) models were trained and tested. At the second level, in order to achieve a higher performance as well as uncertainty quantification, the results of models at the first level are combined by Bayesian Model Averaging (BMA) and the within-model uncertainty and between-model uncertainty were quantified. The results of the research indicate that the BMA is efficient in predicting groundwater level and estimating hydraulic conductivity. The prediction of groundwater level in vast plains like Urmia plain requires plain clustering into homogeneous regions. In the multivariate cluster analysis, selection of input parameters and determination of related weights named as Priority Rates (PRs) is the primary source of subjectivity which requires expert judgment. The study develops an algorithm referred to as GA-SOM based on Genetic Algorithm (GA) and Self-Organizing Map (SOM) hybrid in order to reduce the subjectivity. GA optimizes the PRs of input parameters by maximizing Silhouette Index (SI), while interrogates with SOM to calculate SI. The GA-SOM applied to the groundwater level clustering of 48 observation wells in the Urmia plain, by considering 6 input parameters. The results indicate that among the input parameters, three parameters have the higher values of PRs, including: (i) the coordinates of piezometers; (ii) the altitude of piezometers; and (iii) groundwater level time series. The SI value equals to 0.61 by using GA-SOM, while the SI does not exceed 0.38 without using priority rates. Also, by using optimized PRs, Davies-Bouldin (DB) index as another index to evaluate clustering quality reduced from 0.84 to 0.57. The GA-SOM algorithm could be applied to other problems in the multivariate cluster analysis. In the next section, a modelling strategy is formulated, which uses Bayesian statistics to learn from data at two levels through BMA. The model performance of groundwater level prediction is evaluated using the data from Urmia aquifer, where due to the absence of participatory water usage management practices both Lake Urmia and its surround 12 aquifers are distressed. The BMA model and its results of Urmia aquifer can provide a basis to arrest the decline in the water table of the aquifer but this should be feasible only by developing a series of management plans, including basin management plan, aquifer management plans, drought plans, water cycle studies. Under such an integrated management system, the model developed here is demonstrably well-placed to serve as a management tool for the aquifer. The estimation of hydraulic conductivity is one of the most important part of hydrogeological studies which is important in groundwater management. But due to practical, time or cost constraints, direct measurement is difficult. Hence, the using artificial intelligence models with low cost and high performance can be an appropriate alternative for this purpose. Since input data (comprises transverse resistivity, thickness of aquifer, electrical conductivity and Euclidean distance) and different training techniques in these models are the most important source of uncertainty, the effect of various sources of uncertainty in output should be considered. Applying the developed method to estimate the hydraulic conductivity in the Urmia aquifer. The results show that although the determination coefficient of BMA is not higher than the determination coefficient of the best model, the output of the BMA is a result of assigning weights that take into account the uncertainty between the models and the input data. Concerning the location of the Urmia aquifer in the vicinity of Lake Urmia and the decline in groundwater level due to over-abstraction, the risk of saltwater intrusion threats the aquifer. In the study, the vulnerability of saltwater intrusion was assessed by the GALDIT method. The results show that the GALDIT method is conservatively inefficient, so that the vulnerable areas to saltwater intrusion are limited to narrow buffers adjacent to the shoreline. Therefore, fuzzy membership functions were used to increase the efficiency of the GALDIT method. The results of the modified GALDIT method show a higher correlation between the modified GALDIT index and the Groundwater Quality Index (GQI) than the results of the GALDIT method
Prediction of Groundwater Level and Estimation of Hydraulic Conductivity using Bayesian Artificial Intelligence Model Averaging in Urmia Plain Aquifer
معظم نیا، مرجان
Moazamnia, Marjan
حسن زاده، یوسف، استاد راهنما
ندیری، عطاالله، استاد مشاور
صادق فام، سینا، استاد مشاور
سیاه و سفید
نمایه‌سازی قبلی
