عنوان

استفاده از ابزار محاسبات نرم برای بررسی تأثیر فرآیندهای هیدرولوژیکی بر منابع آب زیرزمینی

‭۱۳۴۹۳پ‬

per

استفاده از ابزار محاسبات نرم برای بررسی تأثیر فرآیندهای هیدرولوژیکی بر منابع آب زیرزمینی

/فرناز دانشور وثوقی

: دانشکده فنی مهندسی عمران دادانشکده فنی مهندسی عمران دانشکده فنی مهندسی عمران

، ‮‭۱۳۹۴‬

چاپی

دکتری

عمران گرایش سازه های هیدرولیکی

‮‭۱۳۹۲/۰۶/۱۴‬

تبریز

در این رساله هسته اصلی مباحث بر روی بهره گیری از ابزار محاسبات نرم به ویژه هوش مصنوعی، تبدیل موجک به همراه مفهوم آنتروپی برای مدلسازی کمی و کیفی منابع آب زیرزمینی با در نظر گرفتن روش‌ص‍ خوشه‌صبندی و اطلاع از روابط بین فرآیندهای هیدرولوژیکی) روابط بین بارش، رواناب و تراز یا کیفیت آب زیرزمینی (متمرکز شده است .به بیان دیگر مدلسازی و برآورد منابع آب زیرزمینی با مدل‌صهای مختلف خطی و غیرخطی صورت پذیرفته است .در این راستا، خوشه‌صبندی براساس نقشه‌صهای خود سازمانده‮‭Organizing Map ) - ((SOM) Self‬برای تعیین مناطقی همگن از نظر داده‌صهای آب زیرزمینی جهت استفاده در مدل‌صهای هوش مصنوعی برای مدلسازی منابع آب زیرزمینی استفاده شد .تبدیل موجک برای استخراج ویژگی‌صهای زمانی و ناایستایی سری‌صهای زمانی تراز آب زیرزمینی، بارش و رواناب بکار رفت .تابع اطلاعات مشترک ( ‮‭((MI)Mutual Information‬ به عنوان معیاری برای اندازه‌صگیری روابط غیرخطی و تبدیل وابستگی موجکی ( ‮‭((WTC)Wavelet Transform Coherence‬ به عنوان معیار اندازه‌صگیری روابط فرکانسی برای انتخاب ورودی‌صهای موثر مدل‌صهای شبکه عصبی و نروفازی استفاده شد .عملکرد مدل‌صهای مختلف هوش مصنوعی با روش پیشنهادی جدید هوش مصنوعی-موجکی مقایسه شد .در این مدلسازی از مدل‌صهای هوش‌صمصنوعی برای پیش‌صبینی یک و چند ماه جلوتر و پرکردن داده‌صهای مفقوده تراز آب زیرزمینی تحت ‮‭۳‬ سناریو و پیش‌صبینی پارامترهای کیفی آب زیرزمینی) هدایت الکتریکی و مقدار کل جامدات محلول (استفاده گردید .نتایج نشان داد که روش پیشنهادی در ترکیب با روش خوشه‌صبندی‮‭SOM‬ ، ابعاد متغیرهای ورودی را کاهش داده و در نتیجه پیچیدگی مدل‌صهای هوش مصنوعی را کاهش می‌صدهد .از طرف دیگر، اعمال تبدیل موجک به داده‌صهای تراز آب زیرزمینی دشت اردبیل، عملکرد مدل‌صهای شبکه عصبی را بطور متوسط تا ‮‭۷۵/۱۵‬ و مدل‌صهای نرو-فازی را ‮‭۵۸/۹‬ را بهبود بخشید .همچنین، استفاده از ابزار وابستگی موجکی نیز عملکرد مدل‌صهای شبکه عصبی را ‮‭۸۲/۲۳‬ و مدل‌صهای نرو-فازی را ‮‭۳۸/۱۵‬ در مدلسازی تراز آب زیرزمینی حوضه تامپابای بهبود داد .استفاده از ابزار ‮‭MI‬ نیز دقت مدلسازی هوش مصنوعی را در مدلسازی پارامترهای کیفی هدایت الکتریکی و مقدار کل جامدات محلول ‮‭۵/۸۴‬ و ‮‭۱۷‬ نسبت به مدل خطی بهبود داد .

This thesis concentrates on artificial intelligence models, wavelet transform (WT) and Entropy techniques for modeling the quantity and quality of groundwater resources, focusing on clustering method and the relationships between hydrological processes (relationships between precipitation, runoff and groundwater level (GWL)). In other words, groundwater resources were predicted by using different linear and non-linear methods. In this way, a Self-Organizing-Map (SOM)-based clustering technique was used to identify spatially homogeneous clusters of groundwater data to use in Artificial Intelligence (AI) to model groundwater resources. The WT was also used to extract dynamic and multi-scale features of the non-stationary GWL, runoff and rainfall time series. Mutual Information (MI), as a non-linear correlation measure and WT coherence (WTC) as a frequency correlation measure is also used to select dominant inputs of the Artificial Neural Network (ANN) and Adaptive Neural-Fuzzy Inference System (ANFIS) models. The performance of the AI models was compared to the newly proposed combined WT AI model. The AI models were used to predict the GWL one and multi-step-ahead and to fill missing GWL data under three different scenarios and also, to predict groundwater quality parameters (Electrical Conductivity and Total Dissolved Solid). The results indicated that the proposed model coupled with the SOM-based clustering method decreased the dimensionality of the input variables and consequently the complexity of the AI models. On the other hand, the application of the WT to the GWL data of Ardabil plain increased the performance of the ANN model up to 15.75 and the ANFIS model up to 9.58 in average. The application of the WTC to the GWL data of Tampa Bay watershed could enhance the performance of the ANN model up to 23.82 and the ANFIS model up to 15.38 in average. The application of MI for modeling EC and TDS parameters increased the accuracy of AI models respectively up to 84.5 and 17 in average with regard to linear model

دانشور وثوقی، فرناز، پژوهشگر

اعلمی، محمدتقی، استاد راهنما

نورانی، وحید، استاد مشاور

سیاه و سفید

نمایه‌سازی قبلی