عنوان

بهینه‌سازی روش‌های ارزیابی آسیب‌پذیری آب زیرزمینی با استفاده از هوش مصنوعی(مطالعه موردی :آبخوان دشت اردبیل),‮‭QE‬

شماره

‭۱۴۵۱۲پ‬

زبان متن نوشتاري يا گفتاري و مانند آن

per

عنوان اصلي

بهینه‌سازی روش‌های ارزیابی آسیب‌پذیری آب زیرزمینی با استفاده از هوش مصنوعی(مطالعه موردی :آبخوان دشت اردبیل)

عنوان اصلي به زبان ديگر

‮‭QE‬

نام نخستين پديدآور

/مریم قره‌خانی

نام ناشر، پخش کننده و غيره

: علوم طبیعی

تاریخ نشرو بخش و غیره

، ‮‭۱۳۹۴‬

متن يادداشت

چاپی

جزئيات پايان نامه و نوع درجه آن

کارشناسی ارشد

نظم درجات

زمین شناسی(گرایش هیدروژئولوژی)

زمان اعطا مدرک

‮‭۱۳۹۴/۱۱/۱۱‬

کسي که مدرک را اعطا کرده

تبریز

متن يادداشت

منابع آب زیرزمینی دشت اردبیل تأمین کننده آب شرب، کشاورزی و صنعت شهر اردبیل است .با توسعه فعالیت‌صهای کشاورزی در این منطقه، استفاده از انواع کودهای شیمیایی وحیوانی گسترش یافته است .در این دشت علاوه بر کودهای مورد استفاده، پسابها و فاضلابهای حاصل از منطقه هم می تواند آب‌صهای زیرزمینی را آلوده سازند، بنابراین احتمال آلودگی آبخوان این دشت به منابع آلاینده بسیار زیاد می‌صباشد .بدین منظور برای اینکه تا حدی از آلوده شدن آب‌صهای زیرزمینی در این دشت جلوگیری شود بهترین راهکار شناسایی مناطق آسیب‌صپذیر و مستعد آلودگی در این دشت است .لذا در این تحقیق از روش‌صهای‮‭DRASTIC‬ ،‮‭SINTACS‬ ، ‮‭SI‬ و ‮‭GODS‬ برای بررسی آسیب پذیری ذاتی دشت مذکور استفاده شد .سپس برای دستیابی به نتایج دقیق‌صتر از آسیب‌صپذیری آبخوان و شناسایی مناطق دارای پتانسیل آلودگی بالا از مدل‌صهای هوش مصنوعی استفاده گردید .برای تهیه نقشه‌صهای آسیب-پذیری به روش‌صهای‮‭DRASTIC‬ ،‮‭SINTACS‬ ، ‮‭SI‬ و ‮‭GODS‬ از پارامترهای هیدروژئولوژیکی مؤثر بر آلودگی آب‌صهای زیرزمینی از جمله عمق آب زیرزمینی، تغذیه خالص، محیط آبخوان، محیط خاک، توپوگرافی، محیط غیراشباع، هدایت هیدرولیکی و کاربری اراضی استفاده شد .سپس برای صحت سنجی هر کدام از روش‌صها از مقادیر نیترات اندازه‌صگیری شده در منطقه استفاده شد .به منظور مقایسه بهتر و دقیق‌صتر این روش‌صها، شاخص همبستگی ‮‭(CI)‬ بین نقشه‌صهای آسیب‌صپذیری و مقادیر نیترات محاسبه گردید .نتایج نشان داد که مدل ‮‭DRASTIC‬ بالاترین شاخص همبستگی را دارد و بنابراین برای ارزیابی آسیب‌صپذیری روش بهتری نسبت به روش‌صهای دیگر است .اما یکی از معایب مدل دراستیک اعمال نظرهای کارشناسی جهت وزن‌صدهی و رتبه‌صدهی پارامترهای آن می‌صباشد که در این تحقیق سعی شده با بکار بردن مدل‌صهای هوش مصنوعی این ضعف مدل دراستیک را بهبود بخشید .برای این منظور از ‮‭۶‬ مدل هوش مصنوعی از جمله شبکه عصبی پیشرو‮‭(FFN)‬ ، شبکه عصبی برگشتی‮‭(RNN)‬ ، فازی ساجنو‮‭(SFL)‬ ، فازی ممدانی‮‭(MFL)‬ ، حداقل مربعات ماشین بردار پشتیبان‮‭SVM) - (LS‬و مدل مرکب ‮‭(SCMAI)‬ استفاده شد .برای اجرای مدل‌صهای هوش مصنوعی به علت وسعت زیاد دشت اردبیل و همچنین هتروژنتی موجود از نظر زمین‌صشناسی و هیدروژئولوژیکی، این دشت به سه قسمت شرقی، غربی و جنوبی تقسیم شد و مدل‌صهای هوش مصنوعی به طور جداگانه برای هر قسمت اجرا شد .در این مدل‌صها پارامترهای دراستیک به عنوان ورودی مدل و شاخص دراستیک به عنوان خروجی مدل تعریف شدند و مقادیر نیترات به ‮‭۲‬ دسته آموزش و آزمایش تقسیم شد .شاخص دراستیک مربوط به مرحله آموزش با مقادیر نیترات مربوطه تصحیح گردید و بعد از آموزش مدل، در مرحله آزمایش نتایج مدل‌صها با استفاده از مقادیر نیترات مورد ارزیابی قرار گرفت .نتایج نشان داد که همه روش‌صهای هوش مصنوعی توانایی بالایی در بهبود مدل دراستیک دارند اما در این بین، مدل ‮‭SCMAI‬ نتایج بهتری را در بر داشت .بر اساس این مدل، قسمت‌صهای شمالی و غربی دشت اردبیل دارای پتانسیل آلودگی بالایی می‌صباشد و باید محافظت بیشتری از این مناطق صورت گیرد

متن يادداشت

The groundwater of Ardabil plain aquifer is a main water resource for domestic, industrial and agricultural demands. Extensive and widespread agricultural activities in this area, led to increase the use of chemical fertilizers. In addition to the use of fertilizers, the wastewater and sewage could contaminate groundwater. Therefore, the probability of contamination is very high. The best solution to prevent the contamination of groundwater is to distinguish the vulnerable and susceptible to contamination areas of this plain aquifer. In this study, DRASTIC, SINTACS, SI and GODS methods were used to assessment of vulnerability of the Ardabil plain aquifer. Then, Artificial Intelligence (AI) models were used to achieve accurate results of the aquifer vulnerability and identify high pollution potential areas. The effective hydrogeological parameters on groundwater contamination, including groundwater depth, net recharge, aquifer media, soil media, topography, impact of vadose zone, hydraulic conductivity and land use were used to prepare the vulnerability maps of DRASTIC, SINTACS, SI and GODS. Then, nitrate concentrations were used to validate each method. Correlation Index (CI) between vulnerability maps and nitrate concentration were calculated for exact and better comparing of classical methods. Results showed that DRASTIC model has the highest CI, this means it is better than other classical methods for vulnerability assessment. One of the disadvantages of this model is the subjectivity to determine rates and weights of the parameters. In this study, the artificial intelligence models were applied to improve DRASTIC model. For this purpose, 6 models of artificial intelligence including Feed Forward Network (FFN), Recurrent Neural Network (RNN), Sugeno Fuzzy Logic (SFL), Mamdani Fuzzy Logic (MFL), and supervised committee machine artificial intelligence (SCMAI) were used. Due to the wide extent of the study area and its heterogeneity, it was divided into three parts (eastern, western and southern) based on existing knowledge of geological and hydrogeological conditions. Separate AI models were developed for each part. The DRASTIC parameters and DRASTIC index were defined as inputs data and output data, respectively for models, and nitrate concentration data were divided in two categories for training and test steps. The output of the model in training step was corrected by the coresponded nitrate concentration, and after model training, the output of model in test step was verified by the nitrate concentration. The results show that all of the artificial intelligence methods are able to improve the DRASTIC model, but the SCMAI model had the best results. According to this model, the most of high pollution potential areas are located in the northern and western parts of the plain where need more protection

عنوان اصلي به زبان ديگر

‮‭QE‬

مستند نام اشخاص تاييد نشده

قره‌خانی، مریم

مستند نام اشخاص تاييد نشده

ندیری، عطالله، استاد راهنما

مستند نام اشخاص تاييد نشده

اصغری مقدم، اصغر، استادراهنما

مستند نام اشخاص تاييد نشده

کرد، مهدی، استادمشاور

مستند نام اشخاص تاييد نشده

فیجانی، الهام، استادمشاور

يادداشت عمومي

سیاه و سفید

وضعیت فهرست نویسی

نمایه‌سازی قبلی